TL;DR: 用 Qwen3.5-9B（Q4_K）在單張 16GB AMD GPU 上跑本地 LLM-as-a-Verifier，每次 code comparison 約 0.5–2 秒，cache hit rate 66%，正確程式碼穩定給 1.0 分，有 bug 的給 0.0–0.14 分。16GB 跑 9B 模型綽綽有餘，還有空間跑其他服務。 這篇是實測續篇，前兩篇分別講了 架構設計 和 Docker 封裝 。前兩篇講的是「做什麼」跟「怎麼做」，這篇來量「到底多快」。 1. 測試環境 在一台 homelab Linux（CachyOS）上跑的： 項目 內容 GPU AMD 16GB（15.9 GiB）via ROCm 模型 Qwen3.5-9B（8.95B 參數，Q4_K ~5.7GB GGUF） 後端 llama.cpp（llama-server，ROCm HIP build） Verifier Docker container（llm-verifier），port 8010 模型 VRAM ~10.2 GB（模型本身 + 動態 KV cache） GPU 使用率 78% 系統 RAM 62 GB；使用 27 GB（swap 用了 9.3 GB） Context window 131,072 tokens MIN_SCORE 0.8 後端跑在另一台機器上，走 local Gigabit 網路連線。 2. Verifier 在幹嘛 docker-llm-as-a-verifier 包裝了 LLM-as-a-Verifier 這個研究套件，讀取 token-level log probability 來算連續分數，不是簡單的 yes/no 判斷。 Container 開了 7 個 HTTP endpoint： Endpoint Method 用途 /health GET 健康檢查 /v1/compare POST 兩組答案比對評分 /v1/select POST Best-of-N 選最佳 /v1/track POST Agent 軌跡分數追蹤 /v1/directed POST 導...
環保酵素 連結 + 糖（黑糖、黃糖或者砂糖）1 + 新鮮果皮、菜渣廚餘 3 + 水10 有機土壤 + 濕有機物 菜渣、果皮(如香蕉、橘子、柚子) + 棕色有機物 枯葉、紙張、紙袋、椰子纖維 、茶包茶渣、咖啡包咖啡渣 + 其他 蛋殼、香灰、花生殼 + 環保酵素 + 無肥力土 氮磷鉀肥 連結 氮肥(俗稱葉肥)：主要的功能在長葉子及製造葉綠素，以供光合作用產生碳水化合物，因此可增進作物的產量。凡是在長葉子的生長期和以葉部為食用(如蔬菜)或觀賞(如草皮，觀葉植物)為主的作物，需適時且多量的氮肥供應。 磷肥(俗稱花肥及果肥)：主要的功能在能量的製造和運移，對開花及結果影響很大。舉凡在開花時期或以觀花為主的花卉，則需足量的磷肥供應。 鉀肥(俗稱果肥及莖幹肥)：主要的功能為維持細胞內電解質平衡與細胞膨壓，且為蛋白質合成及五十多種酵素催化作用所必需。舉凡在結果的時期以及以果實收成為主的作物均需足量的鉀肥供應，且鉀具有使莖幹強健，增進作物抗病、抗蟲及抗環境逆境(如霜害、旱害、風害……等)之功效。