Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-08-28 06:02 UTC

Blaizzy / mlx-vlm

MLX-VLM is a package for inference and fine-tuning of Vision Language Models (VLMs) on your Mac using MLX.

PythonMIT★ 5.431 Sterne⑂ 748 Forksseit Apr. 2024Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#llava#llm#mlx#vision-transformer#apple-silicon#idefics#local-ai#paligemma#vision-framework#vision-language-model#florence2#molmo#pixtral

Blaizzy/mlx-vlm erreicht einen Gesundheitsindex von 95 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (98/100) ab, am schwächsten bei Security (60/100). Zuletzt heute aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

95
gesamt / 100
Außergewöhnlich

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

95
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 82 wird auf der veröffentlichten Indexskala auf 95 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Prince CanumaPersönliches Konto
1.494 Follower106 öffentliche Reposseit Nov. 2016kulissiwa.com

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPImlx-vlm0.6.17881.22280vor 1 Tag

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

98Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

96Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
31.8/36Commit-Rhythmus — 46/52 Wochen mit Commits
18/18Commit-Volumen — 1.039 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year1.039
human_commit_share1
days_since_last_push0
active_weeks_last_year46

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 80 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 1 Tagen
27/27Release-Rhythmus — ein Release etwa alle 3,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count80
latest_release_tagv0.6.17
releases_from_tagsnein
days_since_latest_release1
mean_days_between_releases3,8
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

86Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

92Exzellent
Wie die Bewertung erfolgt
60/60Stars — 5.431 Stars
23.9/25Forks — 748 Forks
8.5/15Watcher — 35 Watcher
Verwendete Eingangsdaten
forks748
stars5.431
watchers35
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

70Gut
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (MIT)
18/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges1
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicesgithub.com
has_pull_request_templatenein

Ökosystem-Verbreitung (Downloads)

99Außergewöhnlich
Wie die Bewertung erfolgt
79.3/80Downloads pro Monat — 881.222 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesmlx-vlm
dependents—
ecosystemspypi
total_downloads—
monthly_downloads881.222
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

76Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

62Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
12.8/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 43 % der Commits
13.5/13.5Breite der Beitragenden — 100 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 7 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor2
contributors_sampled100
top_contributor_share0,43

Reaktionsfähigkeit bei Issues & PRs

78Gut
Wie die Bewertung erfolgt
36.3/42Issue-Lösungsquote — 86 % der Issues geschlossen
22/30PR-Annahme — 867/1.181 entschiedene PRs gemergt
5.2/13Newcomer PR acceptance — 2/5 PRs von Erstbeitragenden in 30 Tagen gemergt
15/15OpenSSF Scorecard: Code-Review — all changesets reviewed
Verwendete Eingangsdaten
merged_prs867
open_issues106
closed_issues681
prs_merged_7d43
prs_decided_7d57
prs_merged_30d46
prs_decided_30d60
issue_closed_ratio0,865
closed_unmerged_prs314
first_time_authors_30d5
first_time_prs_merged_30d2
first_time_prs_decided_30d5

Eigentümerschaft & Trägerschaft

72Gut
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
22.8/25Reichweite des Inhabers — 1.494 Follower von Blaizzy
25/25Kontohistorie — 106 öffentliche Repos, Kontoalter ca. 9 Jahre
Verwendete Eingangsdaten
followers1.494
owner_typeUser
is_verified—
owner_loginBlaizzy
public_repos106
account_age_days3.574
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 1 Tagen
20/20Versionshistorie — 80 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesmlx-vlm
ecosystemspypi
any_deprecatednein
min_days_since_publish1

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

88Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

90Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 2 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
16/20OpenSSF Scorecard: CI-Tests — 14 out of 16 merged PRs checked by a CI test -- score normalized to 8
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

85Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
0/15Dokumentations-/Homepage-Site
10/10Repository-Beschreibung
10/10Topics — 13 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsllava, llm, mlx, vision-transformer, apple-silicon, idefics, local-ai, paligemma, vision-framework, vision-language-model, florence2, molmo, pixtral
has_wikija
homepage—
docs_site—
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

60Mittel · 16 % des Gesamtindex

Sicherheitslage

50Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — keine Daten
2/2.5CI-Tests — 14 out of 16 merged PRs checked by a CI test -- score normalized to 8
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
7.5/7.5Code-Review — all changesets reviewed
2.5/2.5Contributors — project has 7 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
0/7.5Dependency-Update-Tool — no update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
0.5/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 1
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 62 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate5
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages50
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:mlx-vlm@0.6.17 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 50 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

64Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

35Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
35.2/40Lesbare Commit-Historie — 66 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,66
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

65Gut
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
11/11Statische Typprüfung — mlx_vlm/py.typed
10/10Reproduzierbare Umgebung — lockfile
10/10Belegte Agentenpraxis — 18 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
0/8Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
1/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 1
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_files—
has_devcontainernein
has_linter_configja
typecheck_configsmlx_vlm/py.typed
agent_commit_share0,18
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

81Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (mlx_vlm/py.typed)
54.2/55Handhabbare Dateigrößen — 20/1.371 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes597.993
source_files_sampled1.371
oversized_source_files20

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples, notebooks
Verwendete Eingangsdaten
example_dirsexamples, notebooks
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

5.431GitHub-Sterne
100Mitwirkende
1.039Commits, letzte 12 Monate
0Tage seit letztem Push
80Releases
2Bus-Faktor
106offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • First-time contributor figures cover 12 of 15 authors (cap 12)

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 748 ⇿
0Sterne
748Forks
80Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

0125250375500625750699642024-042025-062026-08
Major 0Minor 6Patch 74

Jeder Punkt umfasst 3 Tage.

OpenSSF Scorecard 5.0 / 10
5.0Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-08-28 06:01 UTC

10Binary-Artifactsno binaries found in the repo
k. A.Branch-Protectioninternal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
8CI-Tests14 out of 16 merged PRs checked by a CI test -- score normalized to 8
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
10Code-Reviewall changesets reviewed
10Contributorsproject has 7 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
0Dependency-Update-Toolno update tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 8 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
1Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 1
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities62 existing vulnerabilities detected
Alle Abhängigkeiten 113

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 113 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIaiohappyeyeballs2.6.1indirekt
PyPIaiohttp3.13.3indirekt
PyPIaiosignal1.4.0indirekt
PyPIannotated-doc0.0.4indirekt
PyPIannotated-types0.7.0indirekt
PyPIanyio4.12.1indirekt
PyPIasync-timeout5.0.1indirekt
PyPIattrs25.4.0indirekt
PyPIaudioop-lts0.2.2indirekt
PyPIbrotli1.2.0indirekt
PyPIcertifi2026.1.4indirekt
PyPIcffi2.0.0indirekt
PyPIcharset-normalizer3.4.4indirekt
PyPIclick8.3.1indirekt
PyPIcolorama0.4.6indirekt
PyPIdatasets4.5.0indirekt
PyPIdill0.4.0indirekt
PyPIexceptiongroup1.3.1indirekt
PyPIfastapi—indirekt
PyPIfastapi0.136.3indirekt
PyPIfilelock3.20.3indirekt
PyPIfrozenlist1.8.0indirekt
PyPIfsspec2025.10.0indirekt
PyPIgradio6.15.2indirekt
PyPIgradio-client2.5.0indirekt
PyPIgroovy0.1.2indirekt
PyPIh110.16.0indirekt
PyPIhf-gradio0.4.1indirekt
PyPIhf-xet1.4.3indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIhuggingface-hub1.10.2indirekt
PyPIidna3.11indirekt
PyPIjinja23.1.6indirekt
PyPIllguidance—indirekt
PyPIllguidance1.7.5indirekt
PyPImarkdown-it-py4.0.0indirekt
PyPImarkupsafe3.0.3indirekt
PyPImdurl0.1.2indirekt
PyPIminiaudio—indirekt
PyPIminiaudio1.61indirekt
PyPImlx—indirekt
PyPImlx0.32.0indirekt
PyPImlx-audio—indirekt
PyPImlx-audio0.4.3indirekt
PyPImlx-cpu0.30.4indirekt
PyPImlx-cuda0.30.0indirekt
PyPImlx-lm0.31.3indirekt
PyPImlx-metal0.32.0indirekt
PyPImlx-whisper—indirekt
PyPImultidict6.7.1indirekt
PyPImultiprocess0.70.18indirekt
PyPInumpy—indirekt
PyPInumpy2.2.6indirekt
PyPInumpy2.4.1indirekt
PyPInvidia-cublas-cu1212.9.1.4indirekt
PyPInvidia-cuda-nvrtc-cu1212.9.86indirekt
PyPInvidia-cudnn-cu129.18.1.3indirekt
PyPInvidia-nccl-cu122.29.2indirekt
PyPIopencv-python—indirekt
PyPIopencv-python4.13.0.90indirekt
PyPIorjson3.11.5indirekt
PyPIpackaging26.0indirekt
PyPIpandas2.3.3indirekt
PyPIpandas3.0.0indirekt
PyPIpillow—indirekt
PyPIpillow12.1.0indirekt
PyPIpropcache0.4.1indirekt
PyPIprotobuf6.33.4indirekt
PyPIpyarrow23.0.0indirekt
PyPIpycparser3.0indirekt
PyPIpydantic2.12.5indirekt
PyPIpydantic-core2.41.5indirekt
PyPIpydub0.25.1indirekt
PyPIpygments2.19.2indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-multipart—indirekt
PyPIpython-multipart0.0.22indirekt
PyPIpytz2025.2indirekt
PyPIpyyaml6.0.3indirekt
PyPIregex2026.1.15indirekt
PyPIrequests—indirekt
PyPIrequests2.32.5indirekt
PyPIrich14.3.1indirekt
PyPIsafehttpx0.1.7indirekt
PyPIsafetensors0.8.0indirekt
PyPIscipy1.15.3indirekt
PyPIscipy1.17.1indirekt
PyPIsemantic-version2.10.0indirekt
PyPIsentencepiece—indirekt
PyPIsentencepiece0.2.1indirekt
PyPIshellingham1.5.4indirekt
PyPIsix1.17.0indirekt
PyPIsounddevice0.5.5indirekt
PyPIspeechrecognition—indirekt
PyPIstarlette—indirekt
PyPIstarlette1.2.0indirekt
PyPItokenizers0.22.2indirekt
PyPItomlkit0.13.3indirekt
PyPItqdm—indirekt
PyPItqdm4.67.1indirekt
PyPItransformers—indirekt
PyPItransformers5.14.0indirekt
PyPItyper0.21.1indirekt
PyPItyping-extensions4.15.0indirekt
PyPItyping-inspection0.4.2indirekt
PyPItzdata2025.3indirekt
PyPIurllib32.6.3indirekt
PyPIuvicorn—indirekt
PyPIuvicorn0.40.0indirekt
PyPIwebsockets—indirekt
PyPIxxhash3.6.0indirekt
PyPIyarl1.22.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:mlx-vlm@0.6.17 zieht 50 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit Blaizzy/mlx-vlm teilen. Nebeneinander lesen →

94raullenchai/Rapid-MLXThe fastest local AI engine for Apple Silicon. 4.2x faster than Ollama, 0.08s cached TTFT, 100% tool calling. 17 tool parsers, prompt cache, reasoning separation, cloud routing. Drop-in OpenAI replacement. Works with Claude Code, Cursor, Aider.Außergewöhnlich96MakazhanAlpamys/SoupFine-tune LLMs from one YAML. Layer streaming trains an 8B model on a 4 GB laptop GPU.Außergewöhnlich95Blaizzy/mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apple's MLX framework, providing efficient speech analysis on Apple Silicon.Außergewöhnlich95maziyarpanahi/openmedLocal-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 2,200+ medical models, 21 languages, Apple MLX + Python, no cloud, no patient data leaving your network. Apache-2.0Außergewöhnlich95qualcomm/GenieXRun frontier LLMs and VLMs locally on Qualcomm devices across NPU, GPU, and CPU with a few lines of codeAußergewöhnlich94libre-webui/libre-webuiA local-first workspace for chat, private knowledge, artifacts, and isolated model-driven work. Self-hosted. Provider-flexible. Apache 2.0.Außergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.