Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-17 19:39 UTC

huggingface / setfit

Efficient few-shot learning with Sentence Transformers

Jupyter Notebook · PythonApache-2.0★ 2.807 Sterne⑂ 267 Forksseit Juni 2022Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#few-shot-learning#nlp#sentence-transformers

huggingface/setfit erreicht einen Gesundheitsindex von 80 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (84/100) ab, am schwächsten bei Security (46/100). Zuletzt vor 8 Tagen aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

80
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.

80
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 68 wird auf der veröffentlichten Indexskala auf 80 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Hugging FaceOrganisation · verifizierte Domain
68.529 Follower467 öffentliche Reposseit Feb. 2017

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIsetfit1.2.0-20vor 13 Tagennlpmachine-learningfewshot-learningtransformers

Metriken nach Kategorie

Vitalität

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

61Mittel · 21 % des Gesamtindex

Entwicklungsaktivität

46Schwach
Wie die Bewertung erfolgt
28.8/36Push-Aktualität — letzter Push vor 8 Tagen
2.8/36Commit-Rhythmus — 4/52 Wochen mit Commits
9.7/18Commit-Volumen — 11 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year11
human_commit_share0,98
days_since_last_push8
active_weeks_last_year4

Release-Disziplin

84Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 18 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 13 Tagen
12.6/27Release-Rhythmus — ein Release etwa alle 137,7 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count18
latest_release_tagv1.2.0
releases_from_tagsnein
days_since_latest_release13
mean_days_between_releases137,7

Community & Verbreitung

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

68Gut · 17 % des Gesamtindex

Popularität & Verbreitung

83Exzellent
Wie die Bewertung erfolgt
55.9/60Stars — 2.807 Stars
20.2/25Forks — 267 Forks
7/15Watcher — 19 Watcher
Verwendete Eingangsdaten
forks267
stars2.807
watchers19
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

50Mittel
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (Apache-2.0)
0/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges0
has_contributingnein
has_issue_templatenein
has_code_of_conductnein
readme_badge_services—
has_pull_request_templatenein

Nachhaltigkeit & Governance

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

77Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

57Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
12.6/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 44 % der Commits
13.5/13.5Breite der Beitragenden — 54 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor2
contributors_sampled54
top_contributor_share0,439

Reaktionsfähigkeit bei Issues & PRs

59Mittel
Wie die Bewertung erfolgt
25.1/42Issue-Lösungsquote — 60 % der Issues geschlossen
25/30PR-Annahme — 235/282 entschiedene PRs gemergt
0/13Newcomer PR acceptance — 0/6 PRs von Erstbeitragenden in 30 Tagen gemergt
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs235
open_issues145
closed_issues215
prs_merged_7d0
prs_decided_7d0
prs_merged_30d4
prs_decided_30d11
issue_closed_ratio0,597
closed_unmerged_prs47
first_time_authors_30d3
first_time_prs_merged_30d0
first_time_prs_decided_30d6

Eigentümerschaft & Trägerschaft

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
20/20Verifizierte Domain
25/25Reichweite des Inhabers — 68.529 Follower von huggingface
25/25Kontohistorie — 467 öffentliche Repos, Kontoalter ca. 9 Jahre
Verwendete Eingangsdaten
followers68.529
owner_typeOrganization
is_verifiedja
owner_loginhuggingface
public_repos467
account_age_days3.504

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 13 Tagen
20/20Versionshistorie — 20 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagessetfit
ecosystemspypi
any_deprecatednein
min_days_since_publish13

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 — setup.cfg ([flake8], [isort])
0/9.6Pre-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_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://hf.co/docs/setfit
10/10Repository-Beschreibung
10/10Topics — 3 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsfew-shot-learning, nlp, sentence-transformers
has_wikinein
homepagehttps://hf.co/docs/setfit
docs_sitehttps://hf.co/docs/setfit
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

46Schwach · 16 % des Gesamtindex

Sicherheitslage

33Gefährdet
Wie die Bewertung erfolgt
0/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten — veröffentlichte Bibliothek — Lockfiles sind Sache der Anwendung, hier nicht erwartet
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfiles—
manifestssetup.cfg, setup.py
has_codeql_workflownein
has_security_policynein
has_dependabot_configja
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lockfiles für Abhängigkeiten. Die verbleibenden Gewichte wurden renormalisiert.

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_packages82
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:setfit@1.2.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 82 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.

58Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

28Gefährdet
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
28.3/40Lesbare Commit-Historie — 52 von 98 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,531
agent_instruction_files—
agent_instruction_max_bytes—

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

66Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — setup.cfg ([flake8], [isort])
0/11Statische Typprüfung
0/10Reproduzierbare Umgebung
0/10Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
8/8Automatisierte Wartung — 1 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
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,01

AI-Code-Lesbarkeit für Modelle

55Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Jupyter Notebook ohne Typprüfungs-Konfiguration
55/55Handhabbare Dateigrößen — 0/90 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languageJupyter Notebook
largest_source_bytes40.351
source_files_sampled90
oversized_source_files0

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 — notebooks
Verwendete Eingangsdaten
example_dirsnotebooks
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

2.807GitHub-Sterne
54Mitwirkende
11Commits, letzte 12 Monate
8Tage seit letztem Push
18Releases
2Bus-Faktor
145offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi download statistics for 'setfit' unavailable this scan (stats endpoint failed after retries); adoption may be under-evidenced
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit); skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 267 ⇿
0Sterne
267Forks
18Releases

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.

05010015020025030026482022-092024-092026-09
Major 1Minor 9Patch 8

Jeder Punkt umfasst 4 Tage.

Alle Abhängigkeiten 30

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 0 direkte und 30 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIcrcmod—indirekt
PyPIdatasets—indirekt
PyPIdatasets1.18.2indirekt
PyPIdatasets2.0.0indirekt
PyPIdeepspeed0.5.10indirekt
PyPIevaluate—indirekt
PyPIevaluate0.1.2indirekt
PyPIhuggingface-hub—indirekt
PyPIipdb—indirekt
PyPIjsonpickle1.1indirekt
PyPInumpy1.19indirekt
PyPIpackaging—indirekt
PyPIpandas1.1.5indirekt
PyPIpsutil5.9.0indirekt
PyPIpytorch-lightning1.5.8indirekt
PyPIscikit-learn—indirekt
PyPIscikit-learn0.23.1indirekt
PyPIscipy—indirekt
PyPIsentence-transformers—indirekt
PyPIsentencepiece0.1.96indirekt
PyPItorch1.11indirekt
PyPItorch1.12.0+cu113indirekt
PyPItorch1.5.0indirekt
PyPItorchmetrics0.6.2indirekt
PyPItorchvision0.6.0indirekt
PyPItqdm4.62.1indirekt
PyPItransformers—indirekt
PyPItransformers4.15.0indirekt
PyPItransformers4.20.0indirekt
PyPItyper—indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:setfit@1.2.0 zieht 82 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 huggingface/setfit teilen. Nebeneinander lesen →

94vllm-project/speculatorsA unified library for building, evaluating, and storing speculative decoding algorithms for LLM inference in vLLMAußergewöhnlich100huggingface/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. Außergewöhnlich98NVIDIA/Megatron-LMOngoing research training transformer models at scaleAußergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich98openvinotoolkit/nncfNeural Network Compression Framework for enhanced OpenVINO™ inferenceAußergewöhnlich98Unstructured-IO/unstructuredConvert documents to structured data effortlessly. Unstructured is open-source ETL solution for transforming complex documents into clean, structured formats for language models. Visit our website to learn more about our enterprise grade Platform product for production grade workflows, partitioning, enrichments, chunking and embedding.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.