Öffentliches Register
Software-GesundheitsberichtSchema 0.31.0 · Metriken 2.10.0 · 2026-08-12 23:39 UTC

Nixtla / neuralforecast

Scalable and user friendly neural :brain: forecasting algorithms.

Python · Jupyter NotebookApache-2.0★ 4.238 Sterne⑂ 498 Forksseit Apr. 2021Auf GitHub ansehen ↗
ArtBibliothekNetzwerkdienstwie das ermittelt wird
#deep-learning#forecasting#esrnn#nbeats#nbeatsx#time-series#pytorch#transformer#nhits#neural-network#machine-learning#deep-neural-networks#deepar#tft#robust-regression#hierarchical-forecasting#probabilistic-forecasting#baselines#baselines-zoo#hint

Nixtla/neuralforecast erreicht einen Gesundheitsindex von 98 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Engineering Quality (96/100) ab, am schwächsten bei AI Readiness (55/100). Zuletzt vor 2 Tagen aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

98
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.

98
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 87 wird auf der veröffentlichten Indexskala auf 98 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

NixtlaOrganisation
2.834 Follower40 öffentliche Reposseit März 2021

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIneuralforecast3.2.1-44vor 8 Tagentime-seriesforecastingdeep-learning

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 2 Tagen
27.7/36Commit-Rhythmus — 40/52 Wochen mit Commits
18/18Commit-Volumen — 149 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_year149
human_commit_share0,81
days_since_last_push2
active_weeks_last_year40

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 38 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 8 Tagen
27/27Release-Rhythmus — ein Release etwa alle 34,1 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count38
latest_release_tagv3.2.1
releases_from_tagsnein
days_since_latest_release8
mean_days_between_releases34,1
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?

88Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

90Exzellent
Wie die Bewertung erfolgt
58.8/60Stars — 4.238 Stars
22.5/25Forks — 498 Forks
8.6/15Watcher — 36 Watcher
Verwendete Eingangsdaten
forks498
stars4.238
watchers36
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

85Exzellent
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
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges9
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesgithub.com, shields.io
has_pull_request_templatenein

Nachhaltigkeit & Governance

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

86Exzellent · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

63Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
13.9/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 38 % der Commits
13.5/13.5Breite der Beitragenden — 57 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 5 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor2
contributors_sampled57
top_contributor_share0,381

Reaktionsfähigkeit bei Issues & PRs

93Außergewöhnlich
Wie die Bewertung erfolgt
41.7/42Issue-Lösungsquote — 99 % der Issues geschlossen
25.9/30PR-Annahme — 667/772 entschiedene PRs gemergt
10.8/13Newcomer PR acceptance — 5/6 PRs von Erstbeitragenden in 30 Tagen gemergt
15/15OpenSSF Scorecard: Code-Review — all changesets reviewed
Verwendete Eingangsdaten
merged_prs667
open_issues5
closed_issues665
prs_merged_7d3
prs_decided_7d3
prs_merged_30d19
prs_decided_30d20
issue_closed_ratio0,993
closed_unmerged_prs105
first_time_authors_30d4
first_time_prs_merged_30d5
first_time_prs_decided_30d6

Eigentümerschaft & Trägerschaft

97Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain — Verifizierungsstatus der Domain für diese Organisation nicht ausgelesen
24.8/25Reichweite des Inhabers — 2.834 Follower von Nixtla
22.6/25Kontohistorie — 40 öffentliche Repos, Kontoalter ca. 5 Jahre
Verwendete Eingangsdaten
followers2.834
owner_typeOrganization
is_verified—
owner_loginNixtla
public_repos40
account_age_days1.989
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 8 Tagen
20/20Versionshistorie — 44 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesneuralforecast
ecosystemspypi
any_deprecatednein
min_days_since_publish8

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

96Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 7 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration
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

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://nixtlaverse.nixtla.io/neuralforecast
10/10Repository-Beschreibung
10/10Topics — 20 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsdeep-learning, forecasting, esrnn, nbeats, nbeatsx, time-series, pytorch, transformer, nhits, neural-network, machine-learning, deep-neural-networks, deepar, tft, robust-regression, hierarchical-forecasting, probabilistic-forecasting, baselines, baselines-zoo, hint
has_wikija
homepagehttps://nixtlaverse.nixtla.io/neuralforecast
docs_sitehttps://nixtlaverse.nixtla.io/neuralforecast
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

74Gut · 16 % des Gesamtindex

Sicherheitslage

75Gut
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
3.8/7.5Branch-Protection — branch protection is not maximal on development and all release branches
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
7.5/7.5Code-Review — all changesets reviewed
2.5/2.5Contributors — project has 5 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
2/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
4/5SAST — SAST tool is not run on all commits -- score normalized to 8
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
5.2/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate7,5
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

72Gut
Wie die Bewertung erfolgt
13.2/35Direkte Abhängigkeiten ohne bekannte Advisories — 1 betroffen: pytorch-lightning 2.5.6 (high 7.8)
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
33.5/40Keine offenen Advisories — 1 Paket(e) mit Advisory seit über 90 Tagen unbehandelt; ältestes vor 92 Tagen veröffentlicht
Verwendete Eingangsdaten
sourceosv
advisories2
affected_packages1
assessed_packages55
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:neuralforecast@3.2.1 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 55 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.

55Mittel · 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 — 78 von 81 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,963
agent_instruction_files—
agent_instruction_max_bytes—

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

73Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — devcontainer, lockfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
8/8Automatisierte Wartung — 19 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
4/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_filesMakefile
has_devcontainerja
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,19

AI-Code-Lesbarkeit für Modelle

53Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
52.9/55Handhabbare Dateigrößen — 5/134 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes132.555
source_files_sampled134
oversized_source_files5

Maschinenlesbare AI-Schnittstellen

40Schwach
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto)
0/20MCP-Server
40/40Lauffähige Beispiele — notebooks
Verwendete Eingangsdaten
example_dirsnotebooks
has_mcp_signalnein
api_schema_files—
interfaces_expected_ofnetwork-service

Eckdaten

4.238GitHub-Sterne
57Mitwirkende
149Commits, letzte 12 Monate
2Tage seit letztem Push
38Releases
2Bus-Faktor
5offene 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 ★ / 498 ⇿
0Sterne
498Forks
38Releases

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.

0100200300400500490122021-072024-022026-08
Major 3Minor 9Patch 26

Jeder Punkt umfasst 5 Tage.

OpenSSF Scorecard 7.5 / 10
7.5Gesamtwert

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 · 2026-08-12 23:38 UTC

10Binary-Artifactsno binaries found in the repo
5Branch-Protectionbranch protection is not maximal on development and all release branches
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
10Code-Reviewall changesets reviewed
10Contributorsproject has 5 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
4Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 4
8SASTSAST tool is not run on all commits -- score normalized to 8
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
7Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Direkte Abhängigkeiten 11
RegistryPaketVersionsvorgabeManifest
PyPIcoreforecast>=0.0.6pyproject.toml
PyPIfsspec—pyproject.toml
PyPInumpy>=1.21.6pyproject.toml
PyPIpandas>=1.3.5pyproject.toml
PyPIscipy—pyproject.toml
PyPItorch>=2.9.1pyproject.toml
PyPItornado>=6.5.5pyproject.toml
PyPIpytorch-lightning>=2.0.0,<2.6.0pyproject.toml
PyPIray>=2.2.0pyproject.toml
PyPIoptuna—pyproject.toml
PyPIutilsforecast>=0.2.3pyproject.toml
Alle Abhängigkeiten 197

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 13 direkte und 184 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIcoreforecast0.0.16direkt
PyPIfsspec2025.9.0direkt
PyPInumpy2.2.6direkt
PyPInumpy2.3.2direkt
PyPIoptuna4.5.0direkt
PyPIpandas2.3.2direkt
PyPIpytorch-lightning2.5.5direkt
PyPIray2.56.1direkt
PyPIscipy1.15.3direkt
PyPIscipy1.16.1direkt
PyPItorch2.13.0direkt
PyPItornado6.5.7direkt
PyPIutilsforecast0.2.12direkt
PyPIadagio0.2.6indirekt
PyPIaiobotocore2.24.2indirekt
PyPIaiohappyeyeballs2.6.1indirekt
PyPIaiohttp3.14.3indirekt
PyPIaioitertools0.12.0indirekt
PyPIaiosignal1.4.0indirekt
PyPIalembic1.16.5indirekt
PyPIannotated-doc0.0.4indirekt
PyPIannotated-types0.7.0indirekt
PyPIantlr4-python3-runtime4.9.3indirekt
PyPIanyio4.13.0indirekt
PyPIappnope0.1.4indirekt
PyPIasttokens3.0.0indirekt
PyPIasync-timeout5.0.1indirekt
PyPIattrs25.3.0indirekt
PyPIblack26.3.1indirekt
PyPIbotocore1.40.18indirekt
PyPIcaptum0.7.0indirekt
PyPIcertifi2025.8.3indirekt
PyPIcffi1.17.1indirekt
PyPIcfgv3.4.0indirekt
PyPIcharset-normalizer3.4.3indirekt
PyPIclick8.2.1indirekt
PyPIcloudpickle3.1.1indirekt
PyPIcolorama0.4.6indirekt
PyPIcolorlog6.9.0indirekt
PyPIcomm0.2.3indirekt
PyPIcontourpy1.3.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIcoverage7.10.6indirekt
PyPIcuda-bindings13.3.1indirekt
PyPIcuda-pathfinder1.5.5indirekt
PyPIcuda-toolkit13.0.3.0indirekt
PyPIcycler0.12.1indirekt
PyPIdacite1.9.2indirekt
PyPIdatasetsforecast—indirekt
PyPIdebugpy1.8.16indirekt
PyPIdecorator5.2.1indirekt
PyPIdistlib0.4.0indirekt
PyPIeinops0.8.1indirekt
PyPIexceptiongroup1.3.0indirekt
PyPIexecuting2.2.1indirekt
PyPIfilelock3.20.3indirekt
PyPIfire—indirekt
PyPIfonttools4.60.2indirekt
PyPIfrozenlist1.7.0indirekt
PyPIftfy6.3.1indirekt
PyPIfugue0.9.7indirekt
PyPIfuture1.0.0indirekt
PyPIgitdb4.0.12indirekt
PyPIgitpython3.1.58indirekt
PyPIgreenlet3.2.4indirekt
PyPIgriffe1.15.0indirekt
PyPIgriffe2md1.2.6indirekt
PyPIh110.16.0indirekt
PyPIhf-xet1.4.3indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIhuggingface-hub1.9.2indirekt
PyPIhyperopt0.2.7indirekt
PyPIidentify2.6.13indirekt
PyPIidna3.15indirekt
PyPIiniconfig2.1.0indirekt
PyPIipykernel6.30.1indirekt
PyPIipython8.32.0indirekt
PyPIjedi0.19.2indirekt
PyPIjinja23.1.6indirekt
PyPIjmespath1.0.1indirekt
PyPIjoypy0.2.6indirekt
PyPIjsonschema4.25.1indirekt
PyPIjsonschema-specifications2025.4.1indirekt
PyPIjupyter-client8.6.3indirekt
PyPIjupyter-core5.8.1indirekt
PyPIkiwisolver1.4.9indirekt
PyPIlightning-utilities0.15.2indirekt
PyPImako1.3.12indirekt
PyPImarkdown-it-py4.0.0indirekt
PyPImarkupsafe3.0.2indirekt
PyPImatplotlib3.10.6indirekt
PyPImatplotlib-inline0.1.7indirekt
PyPImdformat1.0.0indirekt
PyPImdurl0.1.2indirekt
PyPImkdocstrings-parser0.0.1indirekt
PyPImlstm-kernels2.0.1indirekt
PyPImpmath1.3.0indirekt
PyPImsgpack1.2.1indirekt
PyPImultidict6.6.4indirekt
PyPImypy1.17.1indirekt
PyPImypy-extensions1.1.0indirekt
PyPInest-asyncio1.6.0indirekt
PyPInetworkx3.4.2indirekt
PyPInetworkx3.5indirekt
PyPIneuralforecast3.2.1indirekt
PyPIninja1.13.0indirekt
PyPInodeenv1.9.1indirekt
PyPInvidia-cublas13.1.1.3indirekt
PyPInvidia-cuda-cupti13.0.85indirekt
PyPInvidia-cuda-nvrtc13.0.88indirekt
PyPInvidia-cuda-runtime13.0.96indirekt
PyPInvidia-cudnn-cu139.20.0.48indirekt
PyPInvidia-cufft12.0.0.61indirekt
PyPInvidia-cufile1.15.1.6indirekt
PyPInvidia-curand10.4.0.35indirekt
PyPInvidia-cusolver12.0.4.66indirekt
PyPInvidia-cusparse12.6.3.3indirekt
PyPInvidia-cusparselt-cu130.8.1indirekt
PyPInvidia-nccl-cu132.29.7indirekt
PyPInvidia-nvjitlink13.0.88indirekt
PyPInvidia-nvshmem-cu133.4.5indirekt
PyPInvidia-nvtx13.0.85indirekt
PyPIomegaconf2.3.0indirekt
PyPIopt-einsum3.4.0indirekt
PyPIpackaging25.0indirekt
PyPIparso0.8.5indirekt
PyPIpathspec1.0.4indirekt
PyPIpexpect4.9.0indirekt
PyPIpillow12.3.0indirekt
PyPIpip-licenses5.5.0indirekt
PyPIplatformdirs4.4.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpolars1.33.0indirekt
PyPIpre-commit4.3.0indirekt
PyPIprettytable3.17.0indirekt
PyPIprompt-toolkit3.0.52indirekt
PyPIpropcache0.3.2indirekt
PyPIprotobuf6.33.5indirekt
PyPIpsutil7.0.0indirekt
PyPIptyprocess0.7.0indirekt
PyPIpure-eval0.2.3indirekt
PyPIpy4j0.10.9.9indirekt
PyPIpyarrow24.0.0indirekt
PyPIpycparser2.22indirekt
PyPIpydantic2.12.3indirekt
PyPIpydantic2.13.4indirekt
PyPIpydantic-core2.41.4indirekt
PyPIpydantic-core2.46.4indirekt
PyPIpygments2.20.0indirekt
PyPIpyparsing3.2.3indirekt
PyPIpyspark4.0.0indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-cov6.2.1indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpytokens0.4.1indirekt
PyPIpytz2025.2indirekt
PyPIpywin32311indirekt
PyPIpyyaml6.0.2indirekt
PyPIpyzmq27.0.2indirekt
PyPIreferencing0.36.2indirekt
PyPIregex2026.4.4indirekt
PyPIreportlab4.4.3indirekt
PyPIrequests2.33.0indirekt
PyPIrich14.1.0indirekt
PyPIrpds-py0.27.1indirekt
PyPIruff0.12.12indirekt
PyPIs3fs2025.9.0indirekt
PyPIsafetensors0.6.2indirekt
PyPIseaborn0.13.2indirekt
PyPIsetuptools83.0.0indirekt
PyPIshellingham1.5.4indirekt
PyPIsix1.17.0indirekt
PyPIsmmap5.0.2indirekt
PyPIsqlalchemy2.0.43indirekt
PyPIstack-data0.6.3indirekt
PyPIsympy1.14.0indirekt
PyPItensorboardx2.6.4indirekt
PyPItokenizers0.22.2indirekt
PyPItomli2.2.1indirekt
PyPItorchmetrics1.8.2indirekt
PyPItqdm4.67.1indirekt
PyPItraitlets5.14.3indirekt
PyPItransformers5.5.0indirekt
PyPItriad1.0.2indirekt
PyPItriton3.7.1indirekt
PyPItyper0.24.1indirekt
PyPItyping-extensions4.15.0indirekt
PyPItyping-inspection0.4.2indirekt
PyPItzdata2025.2indirekt
PyPIurllib32.7.0indirekt
PyPIvirtualenv20.36.1indirekt
PyPIwcwidth0.2.13indirekt
PyPIwrapt1.17.3indirekt
PyPIxlstm2.0.0indirekt
PyPIxlstm2.0.5indirekt
PyPIyarl1.20.1indirekt
Abhängigkeits-Advisories 1

Die Installation von pypi:neuralforecast@3.2.1 zieht 55 Pakete nach sich, direkt und transitiv: 1 tragen bekannte Advisories, davon 1 direkte Abhängigkeiten.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
pytorch-lightning2.5.6direkthoch2—

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 Nixtla/neuralforecast teilen. Nebeneinander lesen →

100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich94autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich93awslabs/gluontsProbabilistic time series modeling in PythonAußergewöhnlich99huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich98pytorch/executorchOn-device AI across mobile, embedded and edge for PyTorchAußergewöhnlich98PennyLaneAI/pennylanePennyLane is an open-source quantum software platform for quantum computing, quantum machine learning, and quantum chemistry. Create meaningful quantum algorithms, from inspiration to implementation.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 v0.31.0 — vollständige Methodik · Metriken-Wiki.

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