Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-20 01:22 UTC

hpcaitech / ColossalAI

Making large AI models cheaper, faster and more accessible

PythonApache-2.0★ 41.437 Sterne⑂ 4.495 Forksseit Okt. 2021Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugwie das ermittelt wird
#deep-learning#hpc#large-scale#data-parallelism#pipeline-parallelism#model-parallelism#ai#big-model#distributed-computing#inference#heterogeneous-training#foundation-models

hpcaitech/ColossalAI erreicht einen Gesundheitsindex von 83 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (95/100) ab, am schwächsten bei Security (21/100). Zuletzt heute aktualisiert. 7 Mitwirkende tragen den Großteil der jüngsten Arbeit.

83
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.

83
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 70 wird auf der veröffentlichten Indexskala auf 83 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

HPC-AI TechOrganisation
1.962 Follower33 öffentliche Reposseit Aug. 2021

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIcoativerweist auf ein anderes Repo — nicht bewertet0.1.0-0—powerpointautomatic-reports

Metriken nach Kategorie

Vitalität

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

60Mittel · 21 % des Gesamtindex

Entwicklungsaktivität

55Mittel
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
2.8/36Commit-Rhythmus — 4/52 Wochen mit Commits
10.3/18Commit-Volumen — 13 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year13
human_commit_share0,95
days_since_last_push0
active_weeks_last_year4

Release-Disziplin

68Gut
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 50 Releases veröffentlicht
7.2/36Release-Aktualität — letztes Release vor 472 Tagen
27/27Release-Rhythmus — ein Release etwa alle 35,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count50
latest_release_tagv0.5.0
releases_from_tagsnein
days_since_latest_release472
mean_days_between_releases35,8

Community & Verbreitung

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

89Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

99Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 41.437 Stars
25/25Forks — 4.495 Forks
14.3/15Watcher — 381 Watcher
Verwendete Eingangsdaten
forks4.495
stars41.437
watchers381
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_badges6
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicesgithub.com, readthedocs.org, shields.io
has_pull_request_templateja

Nachhaltigkeit & Governance

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

80Exzellent · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

94Außergewöhnlich
Wie die Bewertung erfolgt
51.3/54Bus-Faktor — 7 Beitragende decken die Hälfte aller Commits ab
19.6/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 13 % der Commits
13.5/13.5Breite der Beitragenden — 98 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor7
contributors_sampled98
top_contributor_share0,13

Reaktionsfähigkeit bei Issues & PRs

67Gut
Wie die Bewertung erfolgt
31.3/42Issue-Lösungsquote — 74 % der Issues geschlossen
25.5/30PR-Annahme — 3.708/4.370 entschiedene PRs gemergt
0/13Newcomer PR acceptance — 0/1 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs3.708
open_issues444
closed_issues1.297
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d1
issue_closed_ratio0,745
closed_unmerged_prs662
first_time_authors_30d1
first_time_prs_merged_30d0
first_time_prs_decided_30d1

Eigentümerschaft & Trägerschaft

75Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
23.7/25Reichweite des Inhabers — 1.962 Follower von hpcaitech
21.4/25Kontohistorie — 33 öffentliche Repos, Kontoalter ca. 5 Jahre
Verwendete Eingangsdaten
followers1.962
owner_typeOrganization
is_verifiednein
owner_loginhpcaitech
public_repos33
account_age_days1.866

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

95Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 26 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

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://www.colossalai.org
10/10Repository-Beschreibung
10/10Topics — 12 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsdeep-learning, hpc, large-scale, data-parallelism, pipeline-parallelism, model-parallelism, ai, big-model, distributed-computing, inference, heterogeneous-training, foundation-models
has_wikija
homepagehttps://www.colossalai.org
docs_sitehttps://www.colossalai.org
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

21Gefährdet · 16 % des Gesamtindex

Sicherheitslage

1Kritisch
Wie die Bewertung erfolgt
0/30Sicherheitsrichtlinie (SECURITY.md)
0/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestsdocs/requirements-doc-test.txt, requirements/requirements-test.txt, requirements/requirements.txt, setup.py
has_codeql_workflownein
has_security_policynein
has_dependabot_confignein

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
0/25Indirekte Abhängigkeiten ohne bekannte Advisories — transitive Menge in diesem Bereich nicht von Entwicklungs- und Test-Abhängigkeiten trennbar
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories674
affected_packages30
assessed_packages63
unassessed_packages74
affected_by_severitycritical 15, high 8, moderate 4, low 1, unknown 2
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Indirekte Abhängigkeiten ohne bekannte Advisories, Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. 63 aufgelöste Abhängigkeiten wurden mit OSV abgeglichen. 74 konnten nicht bewertet werden — keine aufgelöste Version, ein nicht unterstütztes Ökosystem oder außerhalb der ausgewiesenen Paketliste. Dieses Repository veröffentlicht kein Paket, das der Index auflöst; bewertet wurde daher der Abhängigkeitsgraph des Repositorys. Dieser Graph vermischt Entwicklungs- und Test-Pins mit ausgelieferten Abhängigkeiten, daher werden nur die deklarierten Laufzeit-Abhängigkeiten bewertet; transitive Befunde werden als Kontext ausgewiesen und fließen nicht in die Bewertung ein. 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.

56Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

18Kritisch
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
18.5/40Lesbare Commit-Historie — 33 von 95 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,347
agent_instruction_files—
agent_instruction_max_bytes—

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

68Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — examples/community/roberta/preprocessing/Makefile, examples/tutorial/sequence_parallel/data/datasets/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — Dockerfile
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
0/8Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfileja
typed_languagenein
bootstrap_filesexamples/community/roberta/preprocessing/Makefile, examples/tutorial/sequence_parallel/data/datasets/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

55Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.8/55Handhabbare Dateigrößen — 6/1.736 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes88.055
source_files_sampled1.736
oversized_source_files6

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
Verwendete Eingangsdaten
example_dirsexamples
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

41.437GitHub-Sterne
98Mitwirkende
13Commits, letzte 12 Monate
0Tage seit letztem Push
50Releases
7Bus-Faktor
444offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • Could not fetch pypi package 'colossalqa' from its registry
  • Could not fetch pypi package 'colossal_moe' from its registry
  • pypi package 'coati' points at a different repository (https://github.com/Intelimetrica/coati); excluded from ecosystem scoring
  • Could not fetch pypi package 'colossal_eval' from its registry
  • Could not fetch pypi package 'colossal_llama' from its registry
  • deps.dev does not index pypi:coati@0.1.0; advisories assessed against the repository dependency graph instead
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/09/20 01:20:21 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 ★ / 4.495 ⇿
0Sterne
4.495Forks
17Releases

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.

3.5003.7504.0004.2504.5004.495682023-092025-032026-09
Major 0Minor 2Patch 15

Jeder Punkt umfasst 3 Tage.

Alle Abhängigkeiten 137

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 137 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIaccelerate—indirekt
PyPIalbumentations1.3.0indirekt
PyPIautoflake2.2.1indirekt
PyPIbitsandbytes—indirekt
PyPIblack23.9.1indirekt
PyPIchromadb0.4.9indirekt
PyPIcleanfid—indirekt
PyPIclick—indirekt
PyPIcolossalai—indirekt
PyPIcolossalai0.2.0+torch1.12cu11.3indirekt
PyPIcontexttimer—indirekt
PyPIcoverage7.2.3indirekt
PyPIdatasets—indirekt
PyPIdatasets2.13.0indirekt
PyPIdatasets2.14.7indirekt
PyPIdiffusers—indirekt
PyPIdiffusers0.29.0indirekt
PyPIeinops—indirekt
PyPIeinops0.3.0indirekt
PyPIevaluate—indirekt
PyPIfabric—indirekt
PyPIfastapi—indirekt
PyPIfastapi0.85.1indirekt
PyPIfastapi0.99.1indirekt
PyPIflash-attn—indirekt
PyPIftfy—indirekt
PyPIfuzzywuzzy—indirekt
PyPIgalore-torch—indirekt
PyPIgoogle—indirekt
PyPIgpustat—indirekt
PyPIgpustat1.1.1indirekt
PyPIgradio3.34.0indirekt
PyPIgradio3.44.4indirekt
PyPIh5py—indirekt
PyPIhuggingface-hub—indirekt
PyPIimageio2.9.0indirekt
PyPIimageio-ffmpeg0.4.2indirekt
PyPIjieba—indirekt
PyPIjq1.6.0indirekt
PyPIjsonlines—indirekt
PyPIlangchain—indirekt
PyPIlangchain0.0.330indirekt
PyPIlangchain-experimental0.0.37indirekt
PyPIlatex2sympy2-extended—indirekt
PyPIlightning1.9.0indirekt
PyPIlocust—indirekt
PyPIlocust2.11.0indirekt
PyPIloralib—indirekt
PyPImath-verify—indirekt
PyPImatplotlib—indirekt
PyPImodelcards—indirekt
PyPImodelscope1.9.0indirekt
PyPIninja—indirekt
PyPIninja1.11.1indirekt
PyPInumpy—indirekt
PyPIomegaconf2.1.1indirekt
PyPIopen-clip-torch2.7.0indirekt
PyPIopenai—indirekt
PyPIopenai0.28.0indirekt
PyPIopencv-python4.6.0.66indirekt
PyPIpackaging—indirekt
PyPIpackaging24.0indirekt
PyPIpandas—indirekt
PyPIpeft—indirekt
PyPIpre-commit—indirekt
PyPIprefetch-generator—indirekt
PyPIprompt-toolkit—indirekt
PyPIprotobuf—indirekt
PyPIpsutil—indirekt
PyPIptflops—indirekt
PyPIpudb2019.2indirekt
PyPIpulp—indirekt
PyPIpydantic—indirekt
PyPIpydantic1.10.13indirekt
PyPIpydantic1.10.2indirekt
PyPIpyext—indirekt
PyPIpypdf3.16.0indirekt
PyPIpytest—indirekt
PyPIpytest7.4.2indirekt
PyPIray—indirekt
PyPIray2.49.2indirekt
PyPIrequests2.31.0indirekt
PyPIrich—indirekt
PyPIrouge—indirekt
PyPIrpyc6.0.0indirekt
PyPIsafetensors—indirekt
PyPIsanic22.9.0indirekt
PyPIsanic-ext22.9.0indirekt
PyPIscikit-learn—indirekt
PyPIscipy—indirekt
PyPIseaborn—indirekt
PyPIsentence-transformers2.2.2indirekt
PyPIsentencepiece—indirekt
PyPIsentencepiece0.1.99indirekt
PyPIsix—indirekt
PyPIsix1.16.0indirekt
PyPIslowapi—indirekt
PyPIsqlalchemy2.0.20indirekt
PyPIsse-starlette—indirekt
PyPIstreamlit—indirekt
PyPItabulate—indirekt
PyPItensorboard—indirekt
PyPItensorboard2.14.0indirekt
PyPItensornvme—indirekt
PyPItest-tube—indirekt
PyPItiktoken—indirekt
PyPItiktoken0.5.1indirekt
PyPItimm—indirekt
PyPItitans—indirekt
PyPItitans0.0.7indirekt
PyPItokenizers—indirekt
PyPItokenizers0.13.3indirekt
PyPItorch—indirekt
PyPItorch1.12.1indirekt
PyPItorch2.1.2indirekt
PyPItorchaudio—indirekt
PyPItorchmetrics—indirekt
PyPItorchmetrics0.7indirekt
PyPItorchrec0.2.0indirekt
PyPItorchvision—indirekt
PyPItorchx-nightly2022.6.29indirekt
PyPItqdm—indirekt
PyPItqdm4.66.1indirekt
PyPItransformers—indirekt
PyPItransformers4.22.1indirekt
PyPItransformers4.23.1indirekt
PyPItransformers4.35.0indirekt
PyPItransformers4.36.0indirekt
PyPItransformers4.51.3indirekt
PyPItriton—indirekt
PyPIunstructured0.10.14indirekt
PyPIuvicorn—indirekt
PyPIuvicorn0.19.0indirekt
PyPIuvicorn0.29.0indirekt
PyPIvllm0.5.5indirekt
PyPIwandb—indirekt
PyPIwebdataset0.2.5indirekt
Abhängigkeits-Advisories 30

Dieses Repository veröffentlicht kein vom Index auflösbares Paket, daher wurde sein eigener Abhängigkeitsgraph bewertet – 63 Pakete, darunter auch Entwicklungs- und Test-Pins, die nie ausgeliefert werden: 30 tragen bekannte Advisories, davon 0 direkte. 74 konnten nicht bewertet werden – keine aufgelöste Version, ein nicht unterstütztes Ökosystem, oder außerhalb der ausgewiesenen Paketliste.

PaketVersionBeziehungSchweregradAdvisoriesBehoben in
black23.9.1indirektkritisch426.3.1
gradio3.34.0indirektkritisch766.16.0
gradio3.44.4indirektkritisch766.16.0
langchain-experimental0.0.37indirektkritisch40.0.61
lightning1.9.0indirektkritisch92022.6.15
ray2.49.2indirektkritisch122.56.0
torch1.12.1indirektkritisch302.13.0
torch2.1.2indirektkritisch282.13.0
transformers4.22.1indirektkritisch525.10.0
transformers4.23.1indirektkritisch525.10.0
transformers4.35.0indirektkritisch505.10.0
transformers4.36.0indirektkritisch465.10.0
transformers4.51.3indirektkritisch285.10.0
unstructured0.10.14indirektkritisch60.24.0
vllm0.5.5indirektkritisch750.28.0
diffusers0.29.0indirekthoch50.38.0
fastapi0.85.1indirekthoch10.109.1
fastapi0.99.1indirekthoch10.109.1
langchain0.0.330indirekthoch151.4.6
modelscope1.9.0indirekthoch21.27.0
opencv-python4.6.0.66indirekthoch24.8.1.78
pypdf3.16.0indirekthoch836.16.1
sentencepiece0.1.99indirekthoch20.2.1
pydantic1.10.2indirektmittel22.4.0
pytest7.4.2indirektmittel29.0.3
requests2.31.0indirektmittel62.33.0
sanic22.9.0indirektmittel125.12.1
tqdm4.66.1indirektniedrig24.66.3
datasets2.13.0indirektunbekannt15.0.1
datasets2.14.7indirektunbekannt15.0.1

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 hpcaitech/ColossalAI teilen. Nebeneinander lesen →

96deepspeedai/DeepSpeedDeepSpeed is a deep learning optimization library that makes distributed training and inference easy, efficient, and effective.Außergewöhnlich100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich100huggingface/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. Außergewöhnlich100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich99ultralytics/ultralyticsUltralytics YOLO27, 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 toolsAußergewöhnlich

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.