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...
1. Minolta XD5 with Winder + MD 50mm f1.4 (6000) 2. Canon EF-M + Carl Zeiss Jena P 50mm f1.8 (PB) ，含 PB to EF 轉接環 (5000) 3. Petri ES Auto (已售出) 4. S-M-C Takumar 50mm f1.4 M42 (已售出) 5. S-M-C Takumar 28mm f3.5 M42 (已售出) 6. S-M-C Takumar 135mm f3.5 M42 (2500) 7. S-M-C Takumar 200mm f4 M42 (已售出) 8. Pentacon MC Auto 50mm f1.8 M42 (2000) 9. Minolta MC Rokkor-QD 135mm f3.5 (已售出) 10. Pentax F 28mm f2.8 (已售出) 意者請 Email 洽 zeng.tw[at]gmail.com。 因為是『斷捨離』，所以敝人完全不考慮以物易物這種很有意義的活動，深感抱歉。 20121226 調降價錢。 20130108 4~9 M42 鏡頭合購優惠方案，只要 12000 元，含運。 20130108 由於 9 單獨售出，4~8 M42 鏡頭合購優惠方案，只要 11000 元，含運。 20130109 由於 7 單獨售出，故合購方案暫停。 20130110 由於 7 買家取消購買，合購方案重啟，4~8 M42 鏡頭合購優惠方案，只要 11000 元，含運。 20140226 由於 4 單獨售出，故合購方案暫停。