Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-08-29 07:16 UTC

Lightning-AI / litData

Speed up model training by fixing data loading.

PythonApache-2.0★ 611 Sterne⑂ 105 Forksseit Feb. 2024Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird

Lightning-AI/litData erreicht einen Gesundheitsindex von 92 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Vitality (88/100) ab, am schwächsten bei Security (60/100). Zuletzt vor 4 Tagen aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

92
gesamt / 100
Exzellent

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.

92
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 78 wird auf der veröffentlichten Indexskala auf 92 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

⚡️ Lightning AI Organisation
6.857 Follower30 öffentliche Reposseit Dez. 2019

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIlitdata0.2.72240.06974vor 4 Tagendeep-learningpytorchaistreamingclouddata-processing
Gogithub.com/Lightning-AI/litDatav0.2.72-72vor 4 Tagen—

Metriken nach Kategorie

Vitalität

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

88Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

86Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 4 Tagen
22.2/36Commit-Rhythmus — 32/52 Wochen mit Commits
18/18Commit-Volumen — 133 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year133
human_commit_share0,8
days_since_last_push4
active_weeks_last_year32

Release-Disziplin

90Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 73 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 4 Tagen
27/27Release-Rhythmus — ein Release etwa alle 9,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Verwendete Eingangsdaten
releases_count73
latest_release_tagv0.2.72
releases_from_tagsnein
days_since_latest_release4
mean_days_between_releases9,8

Community & Verbreitung

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

77Gut · 17 % des Gesamtindex

Popularität & Verbreitung

68Gut
Wie die Bewertung erfolgt
45.2/60Stars — 611 Stars
16.8/25Forks — 105 Forks
5.6/15Watcher — 11 Watcher
Verwendete Eingangsdaten
forks105
stars611
watchers11
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

77Gut
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges4
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicesshields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

90Exzellent
Wie die Bewertung erfolgt
71.7/80Downloads pro Monat — 240.069 Downloads/Monat über go, pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packageslitdata, github.com/Lightning-AI/litData
dependents—
ecosystemsgo, pypi
total_downloads—
monthly_downloads240.069
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?

75Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

62Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
13.8/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 39 % der Commits
13.5/13.5Breite der Beitragenden — 58 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 12 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor2
contributors_sampled58
top_contributor_share0,387

Reaktionsfähigkeit bei Issues & PRs

69Gut
Wie die Bewertung erfolgt
35.2/42Issue-Lösungsquote — 84 % der Issues geschlossen
26.1/30PR-Annahme — 527/605 entschiedene PRs gemergt
6.5/13Newcomer PR acceptance — 1/2 PRs von Erstbeitragenden in 30 Tagen gemergt
1.5/15OpenSSF Scorecard: Code-Review — Found 4/30 approved changesets -- score normalized to 1
Verwendete Eingangsdaten
merged_prs527
open_issues43
closed_issues221
prs_merged_7d2
prs_decided_7d2
prs_merged_30d19
prs_decided_30d21
issue_closed_ratio0,837
closed_unmerged_prs78
first_time_authors_30d2
first_time_prs_merged_30d1
first_time_prs_decided_30d2

Eigentümerschaft & Trägerschaft

78Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
25/25Reichweite des Inhabers — 6.857 Follower von Lightning-AI
22.9/25Kontohistorie — 30 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers6.857
owner_typeOrganization
is_verifiednein
owner_loginLightning-AI
public_repos30
account_age_days2.462

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 2 Paket(e) auf go, pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 4 Tagen
20/20Versionshistorie — 74 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packageslitdata, github.com/Lightning-AI/litData
ecosystemsgo, pypi
any_deprecatednein
min_days_since_publish4

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

88Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 8 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — pyproject.toml ([tool.ruff])
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

80Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://lightning-ai.github.io/litdata/
10/10Repository-Beschreibung
0/10Topics
0/10Wiki
Verwendete Eingangsdaten
topics—
has_wikinein
homepage—
docs_sitehttps://lightning-ai.github.io/litdata/
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
2.5/2.5CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0.8/7.5Code-Review — Found 4/30 approved changesets -- score normalized to 1
2.5/2.5Contributors — project has 12 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
3/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 6
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 — Project has not signed or included provenance with any releases.
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 10 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection. 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_packages20
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:litdata@0.2.72 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 20 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.

74Gut · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

55Mittel
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://lightning.ai/llms.txt)
40/40Lesbare Commit-Historie — 80 von 80 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://lightning.ai/llms.txt
legible_history_share1
agent_instruction_files—
agent_instruction_max_bytes—

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

85Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile, docs/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — pyproject.toml ([tool.ruff])
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — lockfile
10/10Belegte Agentenpraxis — 30 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 18 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
6/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 6
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesgo.sum
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile, docs/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,3
toolchain_manifestssimulator/go.mod
dependency_bot_commit_share0,18

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
53.7/55Handhabbare Dateigrößen — 5/218 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes111.325
source_files_sampled218
oversized_source_files5

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

611GitHub-Sterne
58Mitwirkende
133Commits, letzte 12 Monate
4Tage seit letztem Push
73Releases
2Bus-Faktor
43offene Issues
Go, PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 105 ⇿
0Sterne
105Forks
72Releases

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.

02040608010012010332024-022025-052026-08
Major 0Minor 1Patch 70

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 · 2026-08-29 07:15 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
10CI-Tests30 out of 30 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
1Code-ReviewFound 4/30 approved changesets -- score normalized to 1
10Contributorsproject has 12 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
6Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 6
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities10 existing vulnerabilities detected
Alle Abhängigkeiten 58

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 58 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
Gogopkg.in/yaml.v3v3.0.1indirekt
PyPIav—indirekt
PyPIboto3—indirekt
PyPIcoverage—indirekt
PyPIcryptography46.0.6indirekt
PyPIdocutils—indirekt
PyPIfilelock—indirekt
PyPIfpdf—indirekt
PyPIfsspec—indirekt
PyPIgoogle-cloud-storage—indirekt
PyPIjoblib—indirekt
PyPIlightning—indirekt
PyPIlightning-sdk2026.2.6indirekt
PyPIlightning-utilities—indirekt
PyPIlitdata—indirekt
PyPImosaicml-streaming0.13.0indirekt
PyPImyst-parser—indirekt
PyPInames—indirekt
PyPInbsphinx—indirekt
PyPInumpy—indirekt
PyPIobstore—indirekt
PyPIpandas—indirekt
PyPIpandoc—indirekt
PyPIpdf2image—indirekt
PyPIpillow—indirekt
PyPIpolars—indirekt
PyPIporter—indirekt
PyPIpt-lightning-sphinx-theme—indirekt
PyPIpyarrow—indirekt
PyPIpypandoc-binary—indirekt
PyPIpytest—indirekt
PyPIpytest-asyncio—indirekt
PyPIpytest-cov7.1.0indirekt
PyPIpytest-random-order1.2.0indirekt
PyPIpytest-rerunfailures16.1indirekt
PyPIpytest-timeout2.4.0indirekt
PyPIpytest-xdist—indirekt
PyPIrequests—indirekt
PyPIscikit-learn—indirekt
PyPIsoundfile—indirekt
PyPIsphinx—indirekt
PyPIsphinx-autodoc-typehints—indirekt
PyPIsphinx-copybutton—indirekt
PyPIsphinx-paramlinks—indirekt
PyPIsphinx-togglebutton—indirekt
PyPIsphinxcontrib-fulltoc—indirekt
PyPIsphinxcontrib-mockautodoc—indirekt
PyPItifffile—indirekt
PyPItorch—indirekt
PyPItorchcodec—indirekt
PyPItorchvision—indirekt
PyPItqdm—indirekt
PyPItransformers—indirekt
PyPIurllib3—indirekt
PyPIuvloop—indirekt
PyPIviztracer—indirekt
PyPIwheel—indirekt
PyPIzstd—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:litdata@0.2.72 zieht 20 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 Lightning-AI/litData teilen. Nebeneinander lesen →

100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich98ultralytics/ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich97zenml-io/zenmlZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.Außergewöhnlich97Lightning-AI/pytorch-lightningPretrain, finetune ANY AI model of ANY size on 1 or 10,000+ GPUs with zero code changes.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, Go.