Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-09 10:14 UTC

tenstorrent / tt-metal

:metal: TT-NN operator library, and TT-Metalium low level kernel programming model.

C++ · PythonApache-2.0★ 1.664 Sterne⑂ 656 Forksseit Feb. 2023Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekwie das ermittelt wird
#llama#llm#metal#stable-diffusion#tenstorrent#accelerator#scale-out#kernels#ai#deepseek#gpu#img-gen#video-gen#cuda

tenstorrent/tt-metal erreicht einen Gesundheitsindex von 94 von 100 und liegt damit im Bereich Außergewöhnlich. Am stärksten schneidet es bei Vitality (100/100) ab, am schwächsten bei Security (21/100). Zuletzt heute aktualisiert. 25 Mitwirkende tragen den Großteil der jüngsten Arbeit.

94
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.

94
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 80 wird auf der veröffentlichten Indexskala auf 94 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Tenstorrent AIOrganisation
2.147 Follower139 öffentliche Reposseit Apr. 2020

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIttnn0.78.03.64974vor 4 Tagenmetaliumttnntt-metalmachine-learningtenstorrentlibnumalibhwloc

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 — 11.853 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year11.853
human_commit_share0,98
days_since_last_push0
active_weeks_last_year52

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 100 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 0 Tagen
27/27Release-Rhythmus — ein Release etwa alle 0,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count100
latest_release_tagv0.79.0-dev20260909
releases_from_tagsnein
days_since_latest_release0
mean_days_between_releases0,8

Community & Verbreitung

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

80Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

83Exzellent
Wie die Bewertung erfolgt
52.2/60Stars — 1.664 Stars
23.5/25Forks — 656 Forks
7.1/15Watcher — 20 Watcher
Verwendete Eingangsdaten
forks656
stars1.664
watchers20
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_badges1
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesgithub.com
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

59Mittel
Wie die Bewertung erfolgt
47.5/80Downloads pro Monat — 3.649 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesttnn
dependents—
ecosystemspypi
total_downloads—
monthly_downloads3.649
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?

89Exzellent · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

98Außergewöhnlich
Wie die Bewertung erfolgt
54/54Bus-Faktor — 25 Beitragende decken die Hälfte aller Commits ab
21.1/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 6 % der Commits
13.5/13.5Breite der Beitragenden — 100 Beitragende
0/10OpenSSF Scorecard: Contributors — keine Daten
Verwendete Eingangsdaten
bus_factor25
contributors_sampled100
top_contributor_share0,061

Reaktionsfähigkeit bei Issues & PRs

80Exzellent
Wie die Bewertung erfolgt
34/42Issue-Lösungsquote — 81 % der Issues geschlossen
23.7/30PR-Annahme — 24.402/30.914 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_prs24.402
open_issues4.540
closed_issues19.198
prs_merged_7d5
prs_decided_7d7
prs_merged_30d5
prs_decided_30d7
issue_closed_ratio0,809
closed_unmerged_prs6.512
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

79Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
24/25Reichweite des Inhabers — 2.147 Follower von tenstorrent
25/25Kontohistorie — 139 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers2.147
owner_typeOrganization
is_verifiednein
owner_logintenstorrent
public_repos139
account_age_days2.330

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 4 Tagen
20/20Versionshistorie — 74 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesttnn
ecosystemspypi
any_deprecatednein
min_days_since_publish4

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

91Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 208 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — .github/pyproject.toml ([tool.black]), pyproject.toml ([tool.ruff], [tool.black], [tool.isort])
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://docs.tenstorrent.com/tt-metal/latest/ttnn/
10/10Repository-Beschreibung
10/10Topics — 14 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsllama, llm, metal, stable-diffusion, tenstorrent, accelerator, scale-out, kernels, ai, deepseek, gpu, img-gen, video-gen, cuda
has_wikinein
homepagehttps://docs.tenstorrent.com/tt-metal/latest/ttnn/
docs_sitehttps://docs.tenstorrent.com/tt-metal/latest/ttnn/
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—
manifests.github/pyproject.toml, docs/requirements-docs.txt, infra/requirements-infra.txt, pyproject.toml, 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
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_packages21
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:ttnn@0.78.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 21 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.

96Außergewöhnlich · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — .cursor/rules/diagnose-config-hash-mismatch.mdc, .cursor/rules/fix-sweep-trace-match.mdc, .cursor/rules/validate-sweep-trace.mdc, .github/copilot-instructions.md, .github/instructions/build-system.instructions.md, .github/instructions/ci-cd.instructions.md, .github/instructions/cpp.instructions.md, .github/instructions/fabric-distributed.instructions.md, .github/instructions/llk-kernels.instructions.md, .github/instructions/metal-api.instructions.md, .github/instructions/metal-dispatch.instructions.md, .github/instructions/metal-runtime.instructions.md, .github/instructions/models.instructions.md, .github/instructions/nanobind.instructions.md, .github/instructions/python.instructions.md, .github/instructions/tt-stl.instructions.md, .github/instructions/tt-train.instructions.md, .github/instructions/ttnn-core.instructions.md, .github/instructions/ttnn-ops.instructions.md, .github/instructions/ttnn.instructions.md, AGENTS.md, tt_metal/tt-llk/.claude/CLAUDE.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt wird von der Projektwebsite ausgeliefert (https://docs.tenstorrent.com/llms.txt)
40/40Lesbare Commit-Historie — 98 von 98 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_urlhttps://docs.tenstorrent.com/llms.txt
legible_history_share1
agent_instruction_files.cursor/rules/diagnose-config-hash-mismatch.mdc, .cursor/rules/fix-sweep-trace-match.mdc, .cursor/rules/validate-sweep-trace.mdc, .github/copilot-instructions.md, .github/instructions/build-system.instructions.md, .github/instructions/ci-cd.instructions.md, .github/instructions/cpp.instructions.md, .github/instructions/fabric-distributed.instructions.md, .github/instructions/llk-kernels.instructions.md, .github/instructions/metal-api.instructions.md, .github/instructions/metal-dispatch.instructions.md, .github/instructions/metal-runtime.instructions.md, .github/instructions/models.instructions.md, .github/instructions/nanobind.instructions.md, .github/instructions/python.instructions.md, .github/instructions/tt-stl.instructions.md, .github/instructions/tt-train.instructions.md, .github/instructions/ttnn-core.instructions.md, .github/instructions/ttnn-ops.instructions.md, .github/instructions/ttnn.instructions.md, AGENTS.md, tt_metal/tt-llk/.claude/CLAUDE.md
agent_instruction_max_bytes10.291

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

91Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile, tt_metal/tt-llk/tests/python_tests/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — .github/pyproject.toml ([tool.black]), pyproject.toml ([tool.ruff], [tool.black], [tool.isort])
11/11Statische Typprüfung — tools/triage/mypy.ini, tools/triage/pyrightconfig.json
10/10Reproduzierbare Umgebung — Dockerfile
10/10Belegte Agentenpraxis — 37 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
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_languageja
bootstrap_filesdocs/Makefile, tt_metal/tt-llk/tests/python_tests/Makefile
has_devcontainernein
has_linter_configja
typecheck_configstools/triage/mypy.ini, tools/triage/pyrightconfig.json
agent_commit_share0,37
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

99Außergewöhnlich
Wie die Bewertung erfolgt
45/45Typprüfbarer Code — C++ (statisch typisiert)
53.8/55Handhabbare Dateigrößen — 373/17.078 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languageC++
largest_source_bytes771.575
source_files_sampled17.078
oversized_source_files373

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
40/40API-Schema (OpenAPI/GraphQL/proto) — tools/scaleout/cabling_descriptor/schemas/cluster_config.proto, tools/scaleout/cabling_descriptor/schemas/node_config.proto, tools/scaleout/deployment_descriptor/schemas/deployment.proto, tools/scaleout/factory_system_descriptor/schemas/factory_system_descriptor.proto, tools/scaleout/validation/schemas/ethernet_link_metrics.proto, tt_metal/fabric/protobuf/intermesh_connection_table.proto, tt_metal/fabric/protobuf/mesh_graph_descriptor.proto, tt_metal/fabric/protobuf/physical_grouping_descriptor.proto, tt_metal/fabric/protobuf/physical_system_descriptor.proto, tt_metal/fabric/protobuf/port_descriptor_table.proto, tt_metal/fabric/protobuf/router_port_directions.proto, tt_metal/impl/internal/disaggregation/protobuf/kv_chunk_address_table.proto
20/20MCP-Server
40/40Lauffähige Beispiele — demos, example, examples, notebooks
Verwendete Eingangsdaten
example_dirsdemos, example, examples, notebooks
has_mcp_signalja
api_schema_filestools/scaleout/cabling_descriptor/schemas/cluster_config.proto, tools/scaleout/cabling_descriptor/schemas/node_config.proto, tools/scaleout/deployment_descriptor/schemas/deployment.proto, tools/scaleout/factory_system_descriptor/schemas/factory_system_descriptor.proto, tools/scaleout/validation/schemas/ethernet_link_metrics.proto, tt_metal/fabric/protobuf/intermesh_connection_table.proto, tt_metal/fabric/protobuf/mesh_graph_descriptor.proto, tt_metal/fabric/protobuf/physical_grouping_descriptor.proto, tt_metal/fabric/protobuf/physical_system_descriptor.proto, tt_metal/fabric/protobuf/port_descriptor_table.proto, tt_metal/fabric/protobuf/router_port_directions.proto, tt_metal/impl/internal/disaggregation/protobuf/kv_chunk_address_table.proto
interfaces_expected_of—

Eckdaten

1.664GitHub-Sterne
100Mitwirkende
11.853Commits, letzte 12 Monate
0Tage seit letztem Push
100Releases
25Bus-Faktor
4.540offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • OpenSSF Scorecard timed out after 240s; skipping Scorecard checks

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 656 ⇿
0Sterne
656Forks
97Releases

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.

0125250375500625750650182024-012025-052026-09
Major 0Minor 5Patch 0

Jeder Punkt umfasst 3 Tage.

Direkte Abhängigkeiten 9
RegistryPaketVersionsvorgabeManifest
PyPInumpy>=1.24.4,<2pyproject.toml
PyPIloguru>=0.6.0pyproject.toml
PyPInetworkx>=3.1pyproject.toml
PyPIgraphviz>=0.20.3pyproject.toml
PyPIpyyaml>=5.4pyproject.toml
PyPIclick>=8.1.7pyproject.toml
PyPIpandas>=2.0.3pyproject.toml
PyPIseaborn>=0.13.2pyproject.toml
PyPIml_dtypes—pyproject.toml
Alle Abhängigkeiten 231

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 21 direkte und 210 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIclick—direkt
PyPIclick8.1.7direkt
PyPIgraphviz—direkt
PyPIloguru—direkt
PyPIloguru0.6.0direkt
PyPIloguru0.7.3direkt
PyPIml-dtypes—direkt
PyPIml-dtypes0.5.4direkt
PyPInetworkx—direkt
PyPInetworkx3.1direkt
PyPInetworkx3.4.2direkt
PyPInumpy—direkt
PyPInumpy1.26.4direkt
PyPInumpy2.2.6direkt
PyPIpandas—direkt
PyPIpandas2.3.3direkt
PyPIpyyaml—direkt
PyPIpyyaml6.0.2direkt
PyPIpyyaml6.0.3direkt
PyPIseaborn—direkt
PyPIseaborn0.13.2direkt
npm@actions/core1.10.0indirekt
npm@actions/core^1.10.0indirekt
npm@actions/github5.1.1indirekt
npm@actions/github^5.1.1indirekt
npm@octokit/rest^21.1.1indirekt
PyPIaccelerate—indirekt
PyPIaccelerate1.7.0indirekt
PyPIansible—indirekt
PyPIansible-lint—indirekt
PyPIanthropic0.91.0indirekt
PyPIantlr4-python3-runtime4.9.3indirekt
PyPIav—indirekt
PyPIav17.0.1indirekt
PyPIbasedpyright1.39.6indirekt
PyPIbeautifultable—indirekt
PyPIbert-score0.3.12indirekt
PyPIblack26.3.1indirekt
PyPIblobfile3.1.0indirekt
PyPIbokeh3.8.2indirekt
PyPIboto31.43.51indirekt
PyPIbotocore1.43.51indirekt
PyPIbreathe4.35.0indirekt
PyPIbuild0.10.0indirekt
PyPIcertifi2026.6.17indirekt
PyPIcharset-normalizer3.4.9indirekt
PyPIcheck-copyright—indirekt
PyPIclang-format19.1.4indirekt
PyPIcoverage7.10.5indirekt
PyPIcutlet—indirekt
PyPIdash2.15.0indirekt
PyPIdatasets—indirekt
PyPIdecord0.6.0indirekt
PyPIdefusedxml—indirekt
PyPIdiffusers—indirekt
PyPIdiffusers0.38.0indirekt
PyPIdocopt0.6.2indirekt
PyPIdocutils0.18.1indirekt
PyPIeasydict—indirekt
PyPIefficientnet-pytorch0.7.1indirekt
PyPIeinops0.6.1indirekt
PyPIenlighten1.12.4indirekt
PyPIevaluate0.4.0indirekt
PyPIexceptiongroup1.3.0indirekt
PyPIfairscale—indirekt
PyPIfastapi—indirekt
PyPIfaster-fifo—indirekt
PyPIfiftyone0.25.2indirekt
PyPIfilelock3.20.3indirekt
PyPIfsspec2023.9.2indirekt
PyPIfsspec2025.7.0indirekt
PyPIftfy6.1.1indirekt
PyPIfvcore—indirekt
PyPIgitpython3.1.50indirekt
PyPIgitpython3.1.55indirekt
PyPIgluonts—indirekt
PyPIgunicorn21.2.0indirekt
PyPIhangul-romanize—indirekt
PyPIhf-xet1.5.1indirekt
PyPIhuggingface-hub—indirekt
PyPIhuggingface-hub1.20.1indirekt
PyPIidna3.18indirekt
PyPIijson—indirekt
PyPIimageio-ffmpeg0.6.0indirekt
PyPIiniconfig2.1.0indirekt
PyPIipdb—indirekt
PyPIipython8.12.3indirekt
PyPIipywidgets8.1.1indirekt
PyPIjinja23.1.6indirekt
PyPIjiwer3.0.5indirekt
PyPIjmespath1.1.0indirekt
PyPIjsbeautifier1.14.7indirekt
PyPIjunitparser4.0.2indirekt
PyPIjupyterlab4.5.9indirekt
PyPIkagglehub0.2.9indirekt
PyPIlibrosa0.10.0indirekt
PyPIlvis—indirekt
PyPIlxml6.1.0indirekt
PyPImarkupsafe3.0.2indirekt
PyPImatplotlib—indirekt
PyPImatplotlib3.10.3indirekt
PyPImedpy0.5.2indirekt
PyPImpmath1.3.0indirekt
PyPImsgpack—indirekt
PyPImsgpack-numpy—indirekt
PyPImultiprocess0.70.14indirekt
PyPImypy1.9.0indirekt
PyPImypy2.1.0indirekt
PyPImyst-parser3.0.0indirekt
PyPInarwhals1.46.0indirekt
PyPInbconvert7.17.1indirekt
PyPInbsphinx0.9.3indirekt
PyPInltk—indirekt
PyPInum2words—indirekt
PyPInumba—indirekt
PyPIomegaconf—indirekt
PyPIopen-clip-torch—indirekt
PyPIopen-clip-torch2.26.1indirekt
PyPIopenai-clip1.0.1indirekt
PyPIopencc-python-reimplemented—indirekt
PyPIopencv-python—indirekt
PyPIopencv-python-headless4.8.1.78indirekt
PyPIpackaging25.0indirekt
PyPIpandoc2.3indirekt
PyPIparamiko—indirekt
PyPIpeft0.18.1indirekt
PyPIpeft0.19.1indirekt
PyPIpillow—indirekt
PyPIpillow12.2.0indirekt
PyPIpillow12.3.0indirekt
PyPIplatformdirs—indirekt
PyPIplotly—indirekt
PyPIplotly5.18.0indirekt
PyPIplotly6.5.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpre-commit3.5.0indirekt
PyPIpre-commit4.5.0indirekt
PyPIprometheus-client—indirekt
PyPIprotobuf5.29.6indirekt
PyPIpsycopg2-binary2.9.11indirekt
PyPIpyarrow—indirekt
PyPIpyarrow24.0.0indirekt
PyPIpycapnp2.0.0indirekt
PyPIpycocoevalcap—indirekt
PyPIpydantic—indirekt
PyPIpydantic2.12.5indirekt
PyPIpydantic2.9.2indirekt
PyPIpygments2.20.0indirekt
PyPIpyiqa—indirekt
PyPIpypinyin—indirekt
PyPIpytest—indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-benchmark5.2.3indirekt
PyPIpytest-cov—indirekt
PyPIpytest-cov6.1.1indirekt
PyPIpytest-cov7.0.0indirekt
PyPIpytest-forked1.6.0indirekt
PyPIpytest-github-actions-annotate-failures0.3.0indirekt
PyPIpytest-github-actions-annotate-failures0.4.0indirekt
PyPIpytest-progress1.4.0indirekt
PyPIpytest-random-order1.2.0indirekt
PyPIpytest-repeat0.9.4indirekt
PyPIpytest-split0.11.0indirekt
PyPIpytest-sugar1.1.1indirekt
PyPIpytest-timeout2.4.0indirekt
PyPIpytest-xdist3.8.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-multipart—indirekt
PyPIqwen-vl-utils—indirekt
PyPIrequests—indirekt
PyPIrequests2.34.2indirekt
PyPIs3transfer0.19.1indirekt
PyPIsafetensors—indirekt
PyPIsafetensors0.8.0indirekt
PyPIscipy—indirekt
PyPIsentencepiece—indirekt
PyPIsentencepiece0.2.1indirekt
PyPIsetuptools80.10.2indirekt
PyPIsetuptools-scm8.1.0indirekt
PyPIsix1.17.0indirekt
PyPIsoundfile—indirekt
PyPIsphinx7.1.2indirekt
PyPIsphinx-copybutton0.5.2indirekt
PyPIsphinx-rtd-theme1.3.0indirekt
PyPIsphinxcontrib-email0.3.5indirekt
PyPIsphinxcontrib-jquery4.1indirekt
PyPIstreamlit—indirekt
PyPIstreamlit1.54.0indirekt
PyPIstreamlit-webrtc—indirekt
PyPIsympy1.14.0indirekt
PyPItabulate0.9.0indirekt
PyPItermcolor—indirekt
PyPItermcolor3.2.0indirekt
PyPItiktoken0.7.0indirekt
PyPItimm—indirekt
PyPItokenizers0.21.1indirekt
PyPItokenizers0.22.2indirekt
PyPItomli2.2.1indirekt
PyPItoolz—indirekt
PyPItoolz0.12.0indirekt
PyPItorch—indirekt
PyPItorch2.11.0indirekt
PyPItorch2.11.0+cpuindirekt
PyPItorch2.9.1indirekt
PyPItorch-fidelity0.3.0indirekt
PyPItorchmetrics1.9.0indirekt
PyPItorchvision—indirekt
PyPItorchvision0.26.0indirekt
PyPItorchvision0.26.0+cpuindirekt
PyPItqdm—indirekt
PyPItqdm4.66.3indirekt
PyPItransformers—indirekt
PyPItransformers4.46.2indirekt
PyPItransformers4.51.3indirekt
PyPItransformers5.10.2indirekt
PyPItransformers5.12.1indirekt
PyPItriton3.5.1indirekt
PyPItt-exalens0.3.31indirekt
PyPItt-exalens0.3.32indirekt
PyPItt-smi3.1.1indirekt
PyPItt-umd0.9.9indirekt
PyPItwine4.0.2indirekt
PyPItypes-docopt0.6.11.20241107indirekt
PyPItyping-extensions4.15.0indirekt
PyPIunidic-lite—indirekt
PyPIurllib32.7.0indirekt
PyPIuvicorn—indirekt
PyPIvbench0.1.5indirekt
PyPIwebsockets16.0indirekt
PyPIxlsxwriter3.0.8indirekt
PyPIyamllint1.32.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:ttnn@0.78.0 zieht 21 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 tenstorrent/tt-metal teilen. Nebeneinander lesen →

100huggingface/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. Außergewöhnlich99vllm-project/vllmA high-throughput and memory-efficient inference and serving engine for LLMsAußergewöhnlich98strands-agents/toolsA set of tools that gives agents powerful capabilities.Außergewöhnlich98sgl-project/sglangSGLang is a high-performance serving framework for large language models and multimodal models.Außergewöhnlich96gpustack/gpustackA GPU cluster manager for high-performance AI model serving (vLLM, SGLang) and on-demand SSH-accessible GPU instances.Außergewöhnlich96NVIDIA/raftRAFT contains fundamental widely-used algorithms and primitives for machine learning and information retrieval. The algorithms are CUDA-accelerated and form building blocks for more easily writing high performance applications.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.