Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-10 12:37 UTC

ModelCloud / GPTQModel

LLM model quantization (compression) toolkit with HW acceleration support for Nvidia, AMD, Intel GPU and Intel/AMD/Apple CPU via HF, vLLM, and SGLang.

Python · CudaEigene Lizenz★ 1.253 Sterne⑂ 206 Forksseit Juni 2024Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#gptq#optimum#peft#quantization#sglang#transformers#vllm

ModelCloud/GPTQModel erreicht einen Gesundheitsindex von 91 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Vitality (96/100) ab, am schwächsten bei Security (61/100). Zuletzt heute aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

91
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.

91
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 77 wird auf der veröffentlichten Indexskala auf 91 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

ModelCloud.aiOrganisation
63 Follower23 öffentliche Reposseit Juni 2024

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIGPTQModel7.4.028.19862vor 2 Tagengptqawqqqqautogptqautoawqeoragarquantizationlarge-language-modelstransformersllmmoecompression

Metriken nach Kategorie

Vitalität

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

96Außergewöhnlich · 21 % des Gesamtindex

Entwicklungsaktivität

100Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
36/36Commit-Rhythmus — 52/52 Wochen mit Commits
18/18Commit-Volumen — 1.098 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 11 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year1.098
human_commit_share0,99
days_since_last_push0
active_weeks_last_year52

Release-Disziplin

90Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 74 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 2 Tagen
27/27Release-Rhythmus — ein Release etwa alle 17,6 Tage
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Verwendete Eingangsdaten
releases_count74
latest_release_tagv7.4.0
releases_from_tagsnein
days_since_latest_release2
mean_days_between_releases17,6

Community & Verbreitung

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

66Gut · 17 % des Gesamtindex

Popularität & Verbreitung

73Gut
Wie die Bewertung erfolgt
50.2/60Stars — 1.253 Stars
19.3/25Forks — 206 Forks
3.3/15Watcher — 5 Watcher
Verwendete Eingangsdaten
forks206
stars1.253
watchers5
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

51Mittel
Wie die Bewertung erfolgt
22.5/22.5README
16.9/22.5Lizenz — Lizenzdatei vorhanden, keine anerkannte Lizenz
0/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges6
has_contributingnein
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicesshields.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

74Gut
Wie die Bewertung erfolgt
59.3/80Downloads pro Monat — 28.198 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesGPTQModel
dependents—
ecosystemspypi
total_downloads—
monthly_downloads28.198
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)

64Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
14.9/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 34 % der Commits
13.5/13.5Breite der Beitragenden — 95 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 3 contributing companies or organizations -- score normalized to 10
Verwendete Eingangsdaten
bus_factor2
contributors_sampled95
top_contributor_share0,336

Reaktionsfähigkeit bei Issues & PRs

88Exzellent
Wie die Bewertung erfolgt
37.3/42Issue-Lösungsquote — 89 % der Issues geschlossen
28.4/30PR-Annahme — 2.547/2.689 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 7/7 PRs von Erstbeitragenden in 30 Tagen gemergt
9/15OpenSSF Scorecard: Code-Review — Found 19/30 approved changesets -- score normalized to 6
Verwendete Eingangsdaten
merged_prs2.547
open_issues41
closed_issues323
prs_merged_7d18
prs_decided_7d21
prs_merged_30d49
prs_decided_30d52
issue_closed_ratio0,887
closed_unmerged_prs142
first_time_authors_30d5
first_time_prs_merged_30d7
first_time_prs_decided_30d7

Eigentümerschaft & Trägerschaft

58Mittel
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
13/25Reichweite des Inhabers — 63 Follower von ModelCloud
14.5/25Kontohistorie — 23 öffentliche Repos, Kontoalter ca. 2 Jahre
Verwendete Eingangsdaten
followers63
owner_typeOrganization
is_verifiednein
owner_loginModelCloud
public_repos23
account_age_days818

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 2 Tagen
20/20Versionshistorie — 62 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesGPTQModel
ecosystemspypi
any_deprecatednein
min_days_since_publish2

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

84Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 6 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — ruff.toml
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
16/20OpenSSF Scorecard: CI-Tests — 25 out of 30 merged PRs checked by a CI test -- score normalized to 8
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://x.com/Qubitium
10/10Repository-Beschreibung
10/10Topics — 7 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsgptq, optimum, peft, quantization, sglang, transformers, vllm
has_wikinein
homepagehttps://x.com/Qubitium
docs_sitehttps://x.com/Qubitium
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

61Mittel · 16 % des Gesamtindex

Sicherheitslage

56Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
2.2/7.5Branch-Protection — branch protection is not maximal on development and all release branches
2/2.5CI-Tests — 25 out of 30 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
4.5/7.5Code-Review — Found 19/30 approved changesets -- score normalized to 6
2.5/2.5Contributors — project has 3 contributing companies or organizations -- score normalized to 10
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.2/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 11 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
3.5/5SAST — SAST tool is not run on all commits -- score normalized to 7
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — Project has not signed or included provenance with any releases.
6.8/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 34 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5,6
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Packaging. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

80Exzellent
Wie die Bewertung erfolgt
15.1/35Direkte Abhängigkeiten ohne bekannte Advisories — 1 betroffen: accelerate 1.14.0 (high 7.1)
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
40/40Keine offenen Advisories — kein Advisory ist länger als 90 Tage öffentlich
Verwendete Eingangsdaten
sourceosv
advisories2
affected_packages1
assessed_packages85
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:GPTQModel@7.4.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 85 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

85Exzellent
Wie die Bewertung erfolgt
45/45Agentenanweisungen — AGENTS.md
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 97 von 99 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,98
agent_instruction_filesAGENTS.md
agent_instruction_max_bytes1.039

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

51Mittel
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — ruff.toml
0/11Statische Typprüfung
0/10Reproduzierbare Umgebung
10/10Belegte Agentenpraxis — 8 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 1 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfilenein
typed_languagenein
bootstrap_files—
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,08
toolchain_manifests—
dependency_bot_commit_share0,01

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
53.6/55Handhabbare Dateigrößen — 24/964 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes431.195
source_files_sampled964
oversized_source_files24

Eckdaten

1.253GitHub-Sterne
95Mitwirkende
1.098Commits, letzte 12 Monate
0Tage seit letztem Push
74Releases
2Bus-Faktor
41offene Issues
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 ★ / 206 ⇿
0Sterne
206Forks
74Releases

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.

0408012016020024020242024-062025-072026-09
Major 6Minor 22Patch 46

Jeder Punkt umfasst 3 Tage.

OpenSSF Scorecard 5.6 / 10
5.6Gesamtwert

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 · 2026-09-10 12:37 UTC

10Binary-Artifactsno binaries found in the repo
3Branch-Protectionbranch protection is not maximal on development and all release branches
8CI-Tests25 out of 30 merged PRs checked by a CI test -- score normalized to 8
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
6Code-ReviewFound 19/30 approved changesets -- score normalized to 6
10Contributorsproject has 3 contributing companies or organizations -- score normalized to 10
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
9Licenselicense file detected
10Maintained30 commit(s) and 11 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
7SASTSAST tool is not run on all commits -- score normalized to 7
0Security-Policysecurity policy file not detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
9Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities34 existing vulnerabilities detected
Alle Abhängigkeiten 43

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 43 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIaccelerate—indirekt
PyPIbitblas0.1.0.post1indirekt
PyPIbitsandbytes—indirekt
PyPIdatasets—indirekt
PyPIdefuser—indirekt
PyPIdevice-smi—indirekt
PyPIdill—indirekt
PyPIevalution—indirekt
PyPIfilelock—indirekt
PyPIflashinfer-python—indirekt
PyPIjinja2—indirekt
PyPIlogbar—indirekt
PyPImaturin—indirekt
PyPImlx-lm—indirekt
PyPIninja—indirekt
PyPInumpy2.2.6indirekt
PyPInvidia-cublas—indirekt
PyPInvidia-cublas-cu1212.9.1.4indirekt
PyPInvidia-cuda-runtime—indirekt
PyPInvidia-cuda-runtime-cu1212.9.79indirekt
PyPInvidia-cusolver—indirekt
PyPInvidia-cusolver-cu1211.7.5.82indirekt
PyPInvidia-cusparse—indirekt
PyPInvidia-cusparse-cu1212.5.10.65indirekt
PyPIoptimum—indirekt
PyPIpackaging—indirekt
PyPIpillow—indirekt
PyPIprotobuf—indirekt
PyPIpyarrow—indirekt
PyPIpypcre—indirekt
PyPIpytest—indirekt
PyPIpytest-timeout—indirekt
PyPIruff0.14.2indirekt
PyPIsafetensors—indirekt
PyPIsetuptools—indirekt
PyPIsglang—indirekt
PyPIthreadpoolctl—indirekt
PyPItokenicer—indirekt
PyPItorch—indirekt
PyPItorchao—indirekt
PyPItransformers—indirekt
PyPItriton—indirekt
PyPIvllm—indirekt
Abhängigkeits-Advisories 1

Die Installation von pypi:GPTQModel@7.4.0 zieht 85 Pakete nach sich, direkt und transitiv: 1 tragen bekannte Advisories, davon 1 direkte Abhängigkeiten.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
accelerate1.14.0direkthoch2—

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 ModelCloud/GPTQModel teilen. Nebeneinander lesen →

95intel/auto-roundA SOTA quantization toolkit for high-accuracy low-bit LLM inference|简洁且高效的量化工具包Außergewöhnlich98vllm-project/llm-compressorTransformers-compatible library for applying various compression algorithms to LLMs for optimized deployment with vLLMAußergewöhnlich98openvinotoolkit/nncfNeural Network Compression Framework for enhanced OpenVINO™ inferenceAußergewöhnlich97xorbitsai/inferenceSwap GPT for any LLM by changing a single line of code. Xinference lets you run open-source, speech, and multimodal models on cloud, on-prem, or your laptop — all through one unified, production-ready inference API.Außergewöhnlich96intel/neural-compressorSOTA low-bit LLM quantization (INT8/FP8/MXFP8/INT4/MXFP4/NVFP4) & sparsity; leading model compression techniques on PyTorch, TensorFlow, and ONNX RuntimeAußergewöhnlich94modelscope/ms-swiftUse PEFT or Full-parameter to CPT/SFT/DPO/GRPO 600+ LLMs (Qwen3.6, DeepSeek-V4, GLM-5.1, InternLM3, Llama4, ...) and 300+ MLLMs (Qwen3-VL, Qwen3-Omni, InternVL3.5, Ovis2.5, GLM4.5v, Gemma4, Llava, Phi4, ...) (AAAI 2025).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.