Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-14 12:25 UTC

flagos-ai / FlagGems

FlagGems is an operator library for large language models implemented in the Triton Language.

PythonApache-2.0★ 1.120 Sterne⑂ 528 Forksseit März 2024Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#pytorch#triton#triton-kernels

flagos-ai/FlagGems erreicht einen Gesundheitsindex von 95 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (100/100) ab, am schwächsten bei Security (64/100). Zuletzt heute aktualisiert. 8 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

FlagOSOrganisation
288 Follower53 öffentliche Reposseit Nov. 2025

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPIflag_gems5.0.21.5897vor 143 Tagen

Metriken nach Kategorie

Vitalität

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

100Außergewöhnlich · 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 — 2.817 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year2.817
human_commit_share1
days_since_last_push0
active_weeks_last_year52

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 6 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 82 Tagen
27/27Release-Rhythmus — ein Release etwa alle 34,1 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count6
latest_release_tagv5.3.0
releases_from_tagsnein
days_since_latest_release82
mean_days_between_releases34,1

Community & Verbreitung

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

77Gut · 17 % des Gesamtindex

Popularität & Verbreitung

79Gut
Wie die Bewertung erfolgt
49.5/60Stars — 1.120 Stars
22.7/25Forks — 528 Forks
6.5/15Watcher — 16 Watcher
Verwendete Eingangsdaten
forks528
stars1.120
watchers16
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_badges0
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_services—
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

53Mittel
Wie die Bewertung erfolgt
42.7/80Downloads pro Monat — 1.589 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesflag_gems
dependents—
ecosystemspypi
total_downloads—
monthly_downloads1.589
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?

78Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

93Außergewöhnlich
Wie die Bewertung erfolgt
54/54Bus-Faktor — 8 Beitragende decken die Hälfte aller Commits ab
16.5/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 27 % der Commits
13.5/13.5Breite der Beitragenden — 99 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor8
contributors_sampled99
top_contributor_share0,268

Reaktionsfähigkeit bei Issues & PRs

58Mittel
Wie die Bewertung erfolgt
20.2/42Issue-Lösungsquote — 48 % der Issues geschlossen
21.6/30PR-Annahme — 3.460/4.811 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs3.460
open_issues422
closed_issues392
prs_merged_7d46
prs_decided_7d58
prs_merged_30d46
prs_decided_30d58
issue_closed_ratio0,482
closed_unmerged_prs1.351
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

62Mittel
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
17.7/25Reichweite des Inhabers — 288 Follower von flagos-ai
14.3/25Kontohistorie — 53 öffentliche Repos, Kontoalter ca. 0 Jahre
Verwendete Eingangsdaten
followers288
owner_typeOrganization
is_verifiednein
owner_loginflagos-ai
public_repos53
account_age_days310

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 143 Tagen
20/20Versionshistorie — 7 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesflag_gems
ecosystemspypi
any_deprecatednein
min_days_since_publish143

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

91Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 19 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://flagos-ai.github.io/FlagGems
10/10Repository-Beschreibung
10/10Topics — 3 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspytorch, triton, triton-kernels
has_wikinein
homepage—
docs_sitehttps://flagos-ai.github.io/FlagGems
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—
manifestscpp/pyproject.toml, pyproject.toml, 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_packages6
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:flag_gems@5.0.2 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 6 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.

66Gut · 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 — 89 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,89
agent_instruction_files—
agent_instruction_max_bytes—

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

78Gut
Wie die Bewertung erfolgt
12.6/18Bootstrap mit einem Befehl — docs/themes/hugo-book/go.mod (Toolchain-Konvention, kein Task-Runner)
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — devcontainer, Dockerfile
10/10Belegte Agentenpraxis — 17 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
5/8Automatisierte Wartung — Abhängigkeits-Automatisierung konfiguriert, in den erfassten Commits nicht beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfileja
typed_languagenein
bootstrap_files—
has_devcontainerja
has_linter_configja
typecheck_configs—
agent_commit_share0,17
toolchain_manifestsdocs/themes/hugo-book/go.mod
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

55Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.6/55Handhabbare Dateigrößen — 38/4.752 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes2.707.645
source_files_sampled4.752
oversized_source_files38

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 — example, examples
Verwendete Eingangsdaten
example_dirsexample, examples
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

1.120GitHub-Sterne
99Mitwirkende
2.817Commits, letzte 12 Monate
0Tage seit letztem Push
6Releases
8Bus-Faktor
422offene 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 30 authors (cap 12)
  • Could not fetch pypi package 'flag-gems-cpp-__VENDOR__' from its registry
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/09/14 12:24:32 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 ★ / 528 ⇿
0Sterne
528Forks
6Releases

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.

0100200300400500600502102024-062025-072026-09
Major 1Minor 2Patch 1

Jeder Punkt umfasst 3 Tage.

Direkte Abhängigkeiten 5
RegistryPaketVersionsvorgabeManifest
PyPIflag-gems—cpp/pyproject.toml
PyPIpackaging>=26.0pyproject.toml
PyPIPyYAML==6.0.1pyproject.toml
PyPIsqlalchemy==2.0.48pyproject.toml
PyPInumpy—pyproject.toml
Alle Abhängigkeiten 59

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 4 direkte und 55 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPInumpy2.2.6direkt
PyPIpackaging—direkt
PyPIpyyaml6.0.1direkt
PyPIsqlalchemy2.0.48direkt
PyPIapex0.1indirekt
PyPIattrs24.2.0indirekt
PyPIbenchflow1.0.0indirekt
PyPIcambricon-dali0.13.0indirekt
PyPIcmake—indirekt
PyPIcolorama0.4.6indirekt
PyPIcoverage7.13.5indirekt
PyPIdatasets—indirekt
PyPIdecorator5.1.1indirekt
PyPIdistro1.9.0indirekt
PyPIenflame-modelopt3.6.20260615+torch.2.11.0indirekt
PyPIflash-attn2.4.2+7e2dd4dindirekt
PyPIflash-linear-attention0.5.0+metax3.8.1.0torch2.10indirekt
PyPIflash-mla1.0.1+metax3.8.1.0torch2.10indirekt
PyPIflashinfer0.2.6+metax3.8.1.0torch2.10indirekt
PyPIhydrax0.1.0indirekt
PyPIhyperparameter0.5.6indirekt
PyPImkl2024.0.0indirekt
PyPIninja—indirekt
PyPIopenpyxl3.1.5indirekt
PyPIpandas—indirekt
PyPIpandas2.3.3indirekt
PyPIpsutil6.0.0indirekt
PyPIpybind11—indirekt
PyPIpybind113.0.3indirekt
PyPIpyefml1.9.10indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-md-report0.8.0indirekt
PyPIregex2026.4.4indirekt
PyPIscikit-build-core—indirekt
PyPIscikit-build-core0.12.2indirekt
PyPIscipy—indirekt
PyPIsetuptools—indirekt
PyPIsetuptools-scm—indirekt
PyPItops-extension3.6.20260529+torch.2.11.0indirekt
PyPItopstx1.10.6indirekt
PyPItorch2.7.0+cpuindirekt
PyPItorch-gcu2.10.0+3.7.20260408indirekt
PyPItorch-mlu1.29.2+torch2.7.1indirekt
PyPItorch-mlu-ops1.8.0+torch2.7.1indirekt
PyPItorch-musa2.9.0indirekt
PyPItorch-npu2.9.0indirekt
PyPItorch-plugin0.1.0indirekt
PyPItorch-ptpu0.2.3+torch2.11indirekt
PyPItorch-txda0.1.0+20260615.37ba6bbdindirekt
PyPItorch-xray2.0.4indirekt
PyPItorchaudio2.4.1+metax3.8.1.0indirekt
PyPItorchcodec0.6.0+metax3.8.1.0indirekt
PyPItorchvision0.22.0+cpuindirekt
PyPItransformers—indirekt
PyPItxops0.1.0+20260508.60287151indirekt
PyPIvllm—indirekt
PyPIwheel0.46.2indirekt
PyPIxformers0.0.29+1e7a8ec.d20260114indirekt
PyPIxmlir1.0.0.1indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:flag_gems@5.0.2 zieht 6 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 flagos-ai/FlagGems teilen. Nebeneinander lesen →

98linkedin/Liger-KernelEfficient Triton Kernels for LLM TrainingAußergewöhnlich91meta-pytorch/tritonparseTritonParse: A Compiler Tracer, Visualizer, and Reproducer for Triton KernelsExzellent77ahb-sjsu/turboquant-proConsumer-aware compression for embedding indexes and LLM KV caches — compress by the metric the downstream consumer actually uses. PCA-Matryoshka + TurboQuant (27x @ 99.8% recall@10), asymmetric K/V, CUDA/Triton kernels, vLLM plugin, replayable CI-gated claims. MIT.Gut71pjordanandrsn/experts4bit-qloraTrain and serve MoE models that do not fit in VRAM: fused 4-bit experts, QLoRA, CPU/NVMe offload, and fast inference on consumer NVIDIA GPUs.Gut22nactttch/g2nA torch.compile backend that pays attention: custom FX fusion passes, a Triton LayerNorm kernel, and a persistent compile cache. Apache-2.0 free core of the g2n platform.Gefährdet100huggingface/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. 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.