Öffentliches Register
Software-GesundheitsberichtSchema 0.31.0 · Metriken 2.5.0 · 2026-08-05 01:47 UTC

Lightning-AI / pytorch-lightning

Pretrain, finetune ANY AI model of ANY size on 1 or 10,000+ GPUs with zero code changes.

PythonApache-2.0★ 31.269 Sterne⑂ 3.771 Forksseit März 2019Auf GitHub ansehen ↗
#python#deep-learning#artificial-intelligence#ai#pytorch#data-science#machine-learning

Lightning-AI/pytorch-lightning erreicht einen Gesundheitsindex von 96 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (95/100) ab, am schwächsten bei AI Readiness (64/100). Zuletzt heute aktualisiert. 3 Mitwirkende tragen den Großteil der jüngsten Arbeit.

96
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.

96
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 84 wird auf der veröffentlichten Indexskala auf 96 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

⚡️ Lightning AI Organisation
6.847 Follower29 öffentliche Reposseit Dez. 2019

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPIassistantverweist auf ein anderes Repo — nicht bewertet2.0.2b2-43vor 99 Tagen

Metriken nach Kategorie

Vitalität

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

95Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

92Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
28.4/36Commit-Rhythmus — 41/52 Wochen mit Commits
18/18Commit-Volumen — 413 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year413
human_commit_share0,68
days_since_last_push0
active_weeks_last_year41

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 100 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 69 Tagen
27/27Release-Rhythmus — ein Release etwa alle 44,1 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count100
latest_release_tag2.6.5
releases_from_tagsnein
days_since_latest_release69
mean_days_between_releases44,1

Community & Verbreitung

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

95Außergewöhnlich · 17 % des Gesamtindex

Popularität & Verbreitung

98Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 31.269 Stars
25/25Forks — 3.771 Forks
13.4/15Watcher — 256 Watcher
Verwendete Eingangsdaten
forks3.771
stars31.269
watchers256
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges10
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesbadge.fury.io, codecov.io, dev.azure.com, github.com, shields.io
has_pull_request_templateja

Nachhaltigkeit & Governance

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

76Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

74Gut
Wie die Bewertung erfolgt
36/54Bus-Faktor — 3 Beitragende decken die Hälfte aller Commits ab
16.7/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 26 % der Commits
13.5/13.5Breite der Beitragenden — 97 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor3
contributors_sampled97
top_contributor_share0,259

Reaktionsfähigkeit bei Issues & PRs

76Gut
Wie die Bewertung erfolgt
37.3/42Issue-Lösungsquote — 89 % der Issues geschlossen
25.7/30PR-Annahme — 9.444/11.036 entschiedene PRs gemergt
1.6/13Newcomer PR acceptance — 1/8 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs9.444
open_issues844
closed_issues6.712
prs_merged_7d2
prs_decided_7d9
prs_merged_30d18
prs_decided_30d26
issue_closed_ratio0,888
closed_unmerged_prs1.592
first_time_authors_30d8
first_time_prs_merged_30d1
first_time_prs_decided_30d8

Eigentümerschaft & Trägerschaft

78Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
25/25Reichweite des Inhabers — 6.847 Follower von Lightning-AI
22.8/25Kontohistorie — 29 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers6.847
owner_typeOrganization
is_verified—
owner_loginLightning-AI
public_repos29
account_age_days2.438

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

91Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 18 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — keine Daten
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://lightning.ai/pytorch-lightning/?utm_source=ptl_readme&utm_medium=referral&utm_campaign=ptl_readme
10/10Repository-Beschreibung
10/10Topics — 7 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspython, deep-learning, artificial-intelligence, ai, pytorch, data-science, machine-learning
has_wikinein
homepagehttps://lightning.ai/pytorch-lightning/?utm_source=ptl_readme&utm_medium=referral&utm_campaign=ptl_readme
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

64Mittel · 16 % des Gesamtindex

Sicherheitslage

55Mittel
Wie die Bewertung erfolgt
30/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifests.actions/requirements.txt, pyproject.toml, requirements.txt, setup.py
has_codeql_workflownein
has_security_policyja
has_dependabot_configja

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_packages28
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:assistant@2.0.2b2 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 28 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

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 65 von 68 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
legible_history_share0,956
agent_instruction_files—
agent_instruction_max_bytes—

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

84Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile, docs/source-fabric/Makefile, docs/source-pytorch/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
11/11Statische Typprüfung — src/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed
0/10Reproduzierbare Umgebung
6/10Belegte Agentenpraxis — 3 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 31 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile, docs/source-fabric/Makefile, docs/source-pytorch/Makefile
has_devcontainernein
has_linter_configja
typecheck_configssrc/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed
agent_commit_share0,03
toolchain_manifests—
dependency_bot_commit_share0,31

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (src/lightning/py.typed, src/lightning_fabric/py.typed, src/pytorch_lightning/py.typed)
54.6/55Handhabbare Dateigrößen — 5/648 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes82.856
source_files_sampled648
oversized_source_files5

Maschinenlesbare AI-Schnittstellen

40Schwach
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto)
0/20MCP-Server
40/40Lauffähige Beispiele — demos, examples, notebooks
Verwendete Eingangsdaten
example_dirsdemos, examples, notebooks
has_mcp_signalnein
api_schema_files—

Eckdaten

31.269GitHub-Sterne
97Mitwirkende
413Commits, letzte 12 Monate
0Tage seit letztem Push
100Releases
3Bus-Faktor
844offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi package 'assistant' points at a different repository (https://gitlab.com/waser-technologies/technologies/assistant); excluded from ecosystem scoring
  • OpenSSF Scorecard did not return a usable result (2026/08/05 01:46:35 Warning: PATs stored in env variables GITHUB_AUTH_TOKEN and GITHUB_TOKEN differ. Scorecard will use the former.); skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 3.771 ⇿
0Sterne
3.771Forks
37Releases

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.

Es wird nur die jüngste Historie angezeigt — dieses Repository überschreitet das Erfassungsfenster, sodass die früheste Historie nicht erfasst wird.

2.6002.8003.0003.2003.4003.6003.8003.771412023-082025-022026-08
Major 0Minor 6Patch 24

Jeder Punkt umfasst 3 Tage.

Alle Abhängigkeiten 103

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 103 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIawscli—indirekt
PyPIbitsandbytes—indirekt
PyPIclick8.1.8indirekt
PyPIclick8.3.1indirekt
PyPIcloudpickle—indirekt
PyPIcoverage7.10.7indirekt
PyPIcoverage7.13.5indirekt
PyPIdeepspeed—indirekt
PyPIdocutils—indirekt
PyPIfastapi—indirekt
PyPIfire—indirekt
PyPIfsspec—indirekt
PyPIgymnasium—indirekt
PyPIhuggingface-hub—indirekt
PyPIhydra-core—indirekt
PyPIimportlib-metadata—indirekt
PyPIipython—indirekt
PyPIjinja2—indirekt
PyPIjsonargparse—indirekt
PyPIjupytext—indirekt
PyPIlai-sphinx-theme—indirekt
PyPIlightning—indirekt
PyPIlightning-utilities—indirekt
PyPIlitdata—indirekt
PyPImatplotlib—indirekt
PyPImoviepy—indirekt
PyPImypy1.20.0indirekt
PyPImyst-parser—indirekt
PyPInbconvert—indirekt
PyPInbformat—indirekt
PyPInbsphinx—indirekt
PyPInumpy—indirekt
PyPIomegaconf—indirekt
PyPIonnx—indirekt
PyPIonnx-ir—indirekt
PyPIonnxruntime—indirekt
PyPIonnxscript—indirekt
PyPIpackaging—indirekt
PyPIpandas—indirekt
PyPIpandoc—indirekt
PyPIpapermill—indirekt
PyPIpip—indirekt
PyPIpkginfo1.12.1.2indirekt
PyPIpsutil—indirekt
PyPIpytest9.0.2indirekt
PyPIpytest-cov7.0.0indirekt
PyPIpytest-doctestplus1.7.1indirekt
PyPIpytest-random-order1.2.0indirekt
PyPIpytest-rerunfailures16.0.1indirekt
PyPIpytest-rerunfailures16.1indirekt
PyPIpytest-timeout2.4.0indirekt
PyPIpyyaml—indirekt
PyPIrequests—indirekt
PyPIrich—indirekt
PyPIscikit-learn—indirekt
PyPIsetuptools—indirekt
PyPIsphinx—indirekt
PyPIsphinx-autobuild—indirekt
PyPIsphinx-autodoc-typehints—indirekt
PyPIsphinx-copybutton—indirekt
PyPIsphinx-multiproject—indirekt
PyPIsphinx-paramlinks—indirekt
PyPIsphinx-rtd-dark-mode—indirekt
PyPIsphinx-togglebutton—indirekt
PyPIsphinx-toolbox4.1.2indirekt
PyPIsphinxcontrib-fulltoc—indirekt
PyPIsphinxcontrib-mockautodoc—indirekt
PyPIsphinxcontrib-video0.4.2indirekt
PyPItensorboard—indirekt
PyPItensorboardx—indirekt
PyPItomlkit—indirekt
PyPItorch—indirekt
PyPItorch2.9.1indirekt
PyPItorch-tensorrt—indirekt
PyPItorchao—indirekt
PyPItorchmetrics—indirekt
PyPItorchvision—indirekt
PyPItqdm—indirekt
PyPItwine6.2.0indirekt
PyPItypes-bleach—indirekt
PyPItypes-cachetools—indirekt
PyPItypes-croniter—indirekt
PyPItypes-decorator—indirekt
PyPItypes-markdown—indirekt
PyPItypes-paramiko—indirekt
PyPItypes-protobuf—indirekt
PyPItypes-python-dateutil—indirekt
PyPItypes-pyyaml—indirekt
PyPItypes-redis—indirekt
PyPItypes-requests—indirekt
PyPItypes-setuptools—indirekt
PyPItypes-six—indirekt
PyPItypes-tabulate—indirekt
PyPItypes-toml—indirekt
PyPItypes-tzlocal—indirekt
PyPItypes-ujson—indirekt
PyPItyping-extensions—indirekt
PyPIurllib3—indirekt
PyPIuvicorn—indirekt
PyPIvirtualenv—indirekt
PyPIwcmatch—indirekt
PyPIwget—indirekt
PyPIwheel—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:assistant@2.0.2b2 zieht 28 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

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit Lightning-AI/pytorch-lightning teilen. Nebeneinander lesen →

100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich97keras-team/kerasDeep Learning for humansAußergewöhnlich97ultralytics/ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich

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 v2.5.0, Schema v0.31.0 — vollständige Methodik · Metriken-Wiki.

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