Registro público
Informe de salud del softwareesquema 0.31.0 · métricas 2.10.0 · 2026-08-12 23:39 UTC

Nixtla / neuralforecast

Scalable and user friendly neural :brain: forecasting algorithms.

Python · Jupyter NotebookApache-2.0★ 4238 estrellas⑂ 498 forksdesde abr 2021Ver en GitHub ↗
TipoBibliotecaServicio de redcómo se determina
#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 tiene un índice de salud de 98 sobre 100, lo que lo sitúa en la banda Excepcional. Su puntuación más alta es Engineering Quality (96/100) y la más baja, AI Readiness (55/100). Se actualizó por última vez hace 2 días. 2 personas concentran la mayor parte del trabajo reciente.

98
global / 100
Excepcional

Índice de salud del software

Las métricas se agrupan en categorías ponderadas sobre una escala estandarizada de 1 a 100. El resultado global parte de su media ponderada, calibrada contra la distribución del registro público para que las bandas tengan significado percentil; cuando la evidencia pública activa la Política de Jurisdicciones de Alto Riesgo, la calificación se ajusta y recibe un límite «En riesgo» de 34.

98
Excepcional93-100El nivel más alto del registro (≈ el 5% superior); cumple prácticamente todos los criterios evaluados
Excelente80-92Sólido en todos los frentes; carencias menores
Bueno65-79Saludable; carencias limitadas y manejables
Moderado50-64Aceptable con carencias notables; se recomienda revisión
Débil35-49Debilidades sustanciales en varias áreas
En riesgo20-34Debilidades significativas; su adopción exige cautela
Crítico1-19Problemas graves (proyecto abandonado, un solo mantenedor, sin higiene)
VitalidadComunidad yAdopciónSostenibilidady GobernanzaCalidad deIngenieríaSeguridadPreparaciónpara IA

Perfil de puntuación

Cada eje es una categoría. La forma importa más que la media: un proyecto sano llena toda la figura, mientras que un perfil de picos y cráteres indica que la fortaleza en una dimensión enmascara el riesgo en otra.

El resultado global ponderado 87 se calibra a 98 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

NixtlaOrganización
2834 seguidores40 repositorios públicosdesde mar 2021

Este repositorio está respaldado por una organización: una custodia compartida y responsable que puede sobrevivir a cualquier mantenedor individual.

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicaciónEtiquetas
PyPIneuralforecast3.2.1-44hace 8 díastime-seriesforecastingdeep-learning

Métricas por categoría

Vitalidad

¿Está vivo el proyecto: se escribe código y se publican versiones?

95Excepcional · 21% del índice global

Actividad de desarrollo

92Excelente
Cómo se puntúa
36/36Recencia de push — último push hace 2 días
27.7/36Cadencia de commits — 40/52 semanas con commits
18/18Volumen de commits — 149 commits en el último año
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 10
Datos de entrada utilizados
commits_last_year149
human_commit_share0,81
days_since_last_push2
active_weeks_last_year40

Disciplina de publicación

100Excepcional
Cómo se puntúa
27/27Publica versiones — 38 versiones publicadas
36/36Recencia de las versiones — última versión hace 8 días
27/27Cadencia de publicación — una versión cada ~34,1 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count38
latest_release_tagv3.2.1
releases_from_tagsno
days_since_latest_release8
mean_days_between_releases34,1
Excluidos de la puntuación (sin datos o no aplicable): OpenSSF Scorecard: Signed-Releases. Los pesos restantes se han renormalizado.

Comunidad y Adopción

¿Tiene el proyecto usuarios, descargas, atención y unas condiciones acogedoras para quienes contribuyen?

88Excelente · 17% del índice global

Popularidad y adopción

90Excelente
Cómo se puntúa
58.8/60Estrellas — 4238 estrellas
22.5/25Forks — 498 forks
8.6/15Observadores — 36 observadores
Datos de entrada utilizados
forks498
stars4238
watchers36
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

85Excelente
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (Apache-2.0)
18/18Guía CONTRIBUTING
13.5/13.5Código de conducta
0/7.2Plantilla de issues
0/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges9
has_contributingsí
has_issue_templateno
has_code_of_conductsí
readme_badge_servicesgithub.com, shields.io
has_pull_request_templateno

Sostenibilidad y Gobernanza

¿Sobrevivirá el proyecto a sus personas: factor bus, capacidad de respuesta, quién lo respalda y mantenimiento del paquete?

86Excelente · 23% del índice global

Resiliencia de mantenedores (factor bus)

63Moderado
Cómo se puntúa
25.2/54Factor bus — la mitad de los commits recae en 2 contribuyente(s)
13.9/22.5Distribución de commits — el principal contribuyente firma el 38% de los commits
13.5/13.5Amplitud de contribuyentes — 57 contribuyentes
10/10OpenSSF Scorecard: Contributors — project has 5 contributing companies or organizations
Datos de entrada utilizados
bus_factor2
contributors_sampled57
top_contributor_share0,381

Capacidad de respuesta a issues y PR

93Excepcional
Cómo se puntúa
41.7/42Resolución de issues — 99% de issues cerradas
25.9/30Aceptación de PR — 667/772 PR decididos fusionados
10.8/13Newcomer PR acceptance — 5/6 PR de contribuyentes primerizos fusionados en 30 d
15/15OpenSSF Scorecard: Code-Review — all changesets reviewed
Datos de entrada utilizados
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

Propiedad y custodia

97Excepcional
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
0/20Dominio verificado — el estado de dominio verificado no se leyó para esta organización
24.8/25Alcance del propietario — 2834 seguidores de Nixtla
22.6/25Trayectoria — 40 repos públicos, cuenta de ~5 años
Datos de entrada utilizados
followers2834
owner_typeOrganization
is_verified—
owner_loginNixtla
public_repos40
account_age_days1989
Excluidos de la puntuación (sin datos o no aplicable): Dominio verificado. Los pesos restantes se han renormalizado.

Mantenimiento de paquetes

100Excepcional
Cómo se puntúa
25/25Publicado y resoluble — 1 paquete(s) en pypi
35/35Recencia de publicación — última publicación hace 8 días
20/20Historial de versiones — 44 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packagesneuralforecast
ecosystemspypi
any_deprecatedno
min_days_since_publish8

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

96Excepcional · 19% del índice global

Prácticas de ingeniería

94Excepcional
Cómo se puntúa
24/24Flujos de trabajo de CI — 7 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter
9.6/9.6Hooks de pre-commit
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 30 out of 30 merged PRs checked by a CI test -- score normalized to 10
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configsí
has_precommit_configsí

Documentación

100Excepcional
Cómo se puntúa
30/30README
25/25Directorio de documentación
15/15Sitio de documentación / página del proyecto — https://nixtlaverse.nixtla.io/neuralforecast
10/10Descripción del repositorio
10/10Topics — 20 topics
10/10Wiki
Datos de entrada utilizados
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_wikisí
homepagehttps://nixtlaverse.nixtla.io/neuralforecast
docs_sitehttps://nixtlaverse.nixtla.io/neuralforecast
has_readmesí
has_docs_dirsí
has_descriptionsí

Seguridad

¿Son sólidas las prácticas visibles de seguridad y de cadena de suministro, sin exposición jurisdiccional de alto riesgo sin resolver?

74Bueno · 16% del índice global

Postura de seguridad

75Bueno
Cómo se puntúa
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
2.5/2.5Licencia — 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 — sin datos
5.2/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6/7.5Vulnerabilities — 2 existing vulnerabilities detected
Datos de entrada utilizados
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate7,5
Excluidos de la puntuación (sin datos o no aplicable): Signed-Releases. Los pesos restantes se han renormalizado.

Avisos de dependencias

72Bueno
Cómo se puntúa
13.2/35Dependencias directas libres de avisos conocidos — 1 afectados: pytorch-lightning 2.5.6 (high 7.8)
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
33.5/40Sin avisos pendientes — 1 paquete(s) con avisos sin atender más allá de 90 días; el más antiguo publicado hace 92 días
Datos de entrada utilizados
sourceosv
advisories2
affected_packages1
assessed_packages55
unassessed_packages0
affected_by_severityhigh 1
direct_affected_packages1
Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:neuralforecast@3.2.1 —lo que arrastra la instalación del paquete publicado—: 55 paquetes. No se analiza la alcanzabilidad.

Preparación para IA

¿Hasta qué punto está el repositorio preparado para desarrollarse y mantenerse con agentes de codificación de IA? Tiene un peso deliberadamente pequeño (4%): las herramientas para agentes son una señal real de mantenimiento, pero un repositorio sin ninguna puede alcanzar igualmente 100/100.

55Moderado · 4% del índice global

Contexto y guía para agentes

40Débil
Cómo se puntúa
0/45Instrucciones para agentes — sin CLAUDE.md / AGENTS.md / reglas de editor
0/15Documentación legible por máquinas (llms.txt)
40/40Historial de commits legible — 78 de 81 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtno
llms_txt_url—
legible_history_share0,963
agent_instruction_files—
agent_instruction_max_bytes—

Bucle de verificación (compilación / pruebas / verificación de tipos)

73Bueno
Cómo se puntúa
18/18Arranque con un solo comando — Makefile
22/22Pruebas automatizadas
11/11Configuración de lint / formato
0/11Verificación estática de tipos
10/10Entorno reproducible — devcontainer, lockfile
0/10Práctica demostrada con agentes — ningún commit con autoría de agente entre los últimos 100
8/8Mantenimiento automatizado — 19 de los últimos 100 commits son actualizaciones automáticas de dependencias
4/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 4
Datos de entrada utilizados
has_nixno
has_testssí
lockfilesuv.lock
has_dockerfileno
typed_languageno
bootstrap_filesMakefile
has_devcontainersí
has_linter_configsí
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0,19

Legibilidad del código para modelos

53Moderado
Cómo se puntúa
0/45Código verificable por tipos — Python sin configuración de verificación de tipos
52.9/55Tamaños de archivo manejables — 5/134 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes132.555
source_files_sampled134
oversized_source_files5

Interfaces legibles por máquina

40Débil
Cómo se puntúa
0/40Esquema de API (OpenAPI/GraphQL/proto)
0/20Servidor MCP
40/40Ejemplos ejecutables — notebooks
Datos de entrada utilizados
example_dirsnotebooks
has_mcp_signalno
api_schema_files—
interfaces_expected_ofnetwork-service

Datos clave

4238estrellas de GitHub
57contribuidores
149commits en los últimos 12 meses
2días desde el último push
38versiones publicadas
2factor bus
5issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token

Más detalle

Historial de estrellas y forks 0 ★ / 498 ⇿
0Estrellas
498Forks
38Versiones

Cuándo se añadió cada estrella y fork, recopilado de GitHub y agrupado por día. El crecimiento acumulado se sitúa justo encima de las adiciones diarias que lo componen, de modo que ambos se leen en conjunto: la acumulación orgánica sostenida no se parece en nada a un pico abrupto y efímero. Cuando esa diferencia es medible, se informa como autenticidad del crecimiento.

0100200300400500490122021-072024-022026-08
Mayor 3Menor 9Parche 26

Cada punto abarca 5 días.

OpenSSF Scorecard 7.5 / 10
7.5agregado

Evaluación de seguridad independiente y agnóstica en cuanto a herramientas, procedente del proyecto de código abierto OpenSSF Scorecard. Cada comprobación premia una práctica de seguridad, no la herramienta de un proveedor concreto. Las comprobaciones que Scorecard no pudo determinar se marcan como n/d y se excluyen de la puntuación de seguridad (nunca se cuentan como cero).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
n/dSigned-Releasesno releases found
7Token-Permissionsdetected GitHub workflow tokens with excessive permissions
8Vulnerabilities2 existing vulnerabilities detected
Dependencias directas 11
RegistroPaqueteRestricción de versiónManifiesto
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
Todas las dependencias 197

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 13 paquetes directos y 184 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPIcoreforecast0.0.16directa
PyPIfsspec2025.9.0directa
PyPInumpy2.2.6directa
PyPInumpy2.3.2directa
PyPIoptuna4.5.0directa
PyPIpandas2.3.2directa
PyPIpytorch-lightning2.5.5directa
PyPIray2.56.1directa
PyPIscipy1.15.3directa
PyPIscipy1.16.1directa
PyPItorch2.13.0directa
PyPItornado6.5.7directa
PyPIutilsforecast0.2.12directa
PyPIadagio0.2.6indirecta
PyPIaiobotocore2.24.2indirecta
PyPIaiohappyeyeballs2.6.1indirecta
PyPIaiohttp3.14.3indirecta
PyPIaioitertools0.12.0indirecta
PyPIaiosignal1.4.0indirecta
PyPIalembic1.16.5indirecta
PyPIannotated-doc0.0.4indirecta
PyPIannotated-types0.7.0indirecta
PyPIantlr4-python3-runtime4.9.3indirecta
PyPIanyio4.13.0indirecta
PyPIappnope0.1.4indirecta
PyPIasttokens3.0.0indirecta
PyPIasync-timeout5.0.1indirecta
PyPIattrs25.3.0indirecta
PyPIblack26.3.1indirecta
PyPIbotocore1.40.18indirecta
PyPIcaptum0.7.0indirecta
PyPIcertifi2025.8.3indirecta
PyPIcffi1.17.1indirecta
PyPIcfgv3.4.0indirecta
PyPIcharset-normalizer3.4.3indirecta
PyPIclick8.2.1indirecta
PyPIcloudpickle3.1.1indirecta
PyPIcolorama0.4.6indirecta
PyPIcolorlog6.9.0indirecta
PyPIcomm0.2.3indirecta
PyPIcontourpy1.3.2indirecta
PyPIcontourpy1.3.3indirecta
PyPIcoverage7.10.6indirecta
PyPIcuda-bindings13.3.1indirecta
PyPIcuda-pathfinder1.5.5indirecta
PyPIcuda-toolkit13.0.3.0indirecta
PyPIcycler0.12.1indirecta
PyPIdacite1.9.2indirecta
PyPIdatasetsforecast—indirecta
PyPIdebugpy1.8.16indirecta
PyPIdecorator5.2.1indirecta
PyPIdistlib0.4.0indirecta
PyPIeinops0.8.1indirecta
PyPIexceptiongroup1.3.0indirecta
PyPIexecuting2.2.1indirecta
PyPIfilelock3.20.3indirecta
PyPIfire—indirecta
PyPIfonttools4.60.2indirecta
PyPIfrozenlist1.7.0indirecta
PyPIftfy6.3.1indirecta
PyPIfugue0.9.7indirecta
PyPIfuture1.0.0indirecta
PyPIgitdb4.0.12indirecta
PyPIgitpython3.1.58indirecta
PyPIgreenlet3.2.4indirecta
PyPIgriffe1.15.0indirecta
PyPIgriffe2md1.2.6indirecta
PyPIh110.16.0indirecta
PyPIhf-xet1.4.3indirecta
PyPIhttpcore1.0.9indirecta
PyPIhttpx0.28.1indirecta
PyPIhuggingface-hub1.9.2indirecta
PyPIhyperopt0.2.7indirecta
PyPIidentify2.6.13indirecta
PyPIidna3.15indirecta
PyPIiniconfig2.1.0indirecta
PyPIipykernel6.30.1indirecta
PyPIipython8.32.0indirecta
PyPIjedi0.19.2indirecta
PyPIjinja23.1.6indirecta
PyPIjmespath1.0.1indirecta
PyPIjoypy0.2.6indirecta
PyPIjsonschema4.25.1indirecta
PyPIjsonschema-specifications2025.4.1indirecta
PyPIjupyter-client8.6.3indirecta
PyPIjupyter-core5.8.1indirecta
PyPIkiwisolver1.4.9indirecta
PyPIlightning-utilities0.15.2indirecta
PyPImako1.3.12indirecta
PyPImarkdown-it-py4.0.0indirecta
PyPImarkupsafe3.0.2indirecta
PyPImatplotlib3.10.6indirecta
PyPImatplotlib-inline0.1.7indirecta
PyPImdformat1.0.0indirecta
PyPImdurl0.1.2indirecta
PyPImkdocstrings-parser0.0.1indirecta
PyPImlstm-kernels2.0.1indirecta
PyPImpmath1.3.0indirecta
PyPImsgpack1.2.1indirecta
PyPImultidict6.6.4indirecta
PyPImypy1.17.1indirecta
PyPImypy-extensions1.1.0indirecta
PyPInest-asyncio1.6.0indirecta
PyPInetworkx3.4.2indirecta
PyPInetworkx3.5indirecta
PyPIneuralforecast3.2.1indirecta
PyPIninja1.13.0indirecta
PyPInodeenv1.9.1indirecta
PyPInvidia-cublas13.1.1.3indirecta
PyPInvidia-cuda-cupti13.0.85indirecta
PyPInvidia-cuda-nvrtc13.0.88indirecta
PyPInvidia-cuda-runtime13.0.96indirecta
PyPInvidia-cudnn-cu139.20.0.48indirecta
PyPInvidia-cufft12.0.0.61indirecta
PyPInvidia-cufile1.15.1.6indirecta
PyPInvidia-curand10.4.0.35indirecta
PyPInvidia-cusolver12.0.4.66indirecta
PyPInvidia-cusparse12.6.3.3indirecta
PyPInvidia-cusparselt-cu130.8.1indirecta
PyPInvidia-nccl-cu132.29.7indirecta
PyPInvidia-nvjitlink13.0.88indirecta
PyPInvidia-nvshmem-cu133.4.5indirecta
PyPInvidia-nvtx13.0.85indirecta
PyPIomegaconf2.3.0indirecta
PyPIopt-einsum3.4.0indirecta
PyPIpackaging25.0indirecta
PyPIparso0.8.5indirecta
PyPIpathspec1.0.4indirecta
PyPIpexpect4.9.0indirecta
PyPIpillow12.3.0indirecta
PyPIpip-licenses5.5.0indirecta
PyPIplatformdirs4.4.0indirecta
PyPIpluggy1.6.0indirecta
PyPIpolars1.33.0indirecta
PyPIpre-commit4.3.0indirecta
PyPIprettytable3.17.0indirecta
PyPIprompt-toolkit3.0.52indirecta
PyPIpropcache0.3.2indirecta
PyPIprotobuf6.33.5indirecta
PyPIpsutil7.0.0indirecta
PyPIptyprocess0.7.0indirecta
PyPIpure-eval0.2.3indirecta
PyPIpy4j0.10.9.9indirecta
PyPIpyarrow24.0.0indirecta
PyPIpycparser2.22indirecta
PyPIpydantic2.12.3indirecta
PyPIpydantic2.13.4indirecta
PyPIpydantic-core2.41.4indirecta
PyPIpydantic-core2.46.4indirecta
PyPIpygments2.20.0indirecta
PyPIpyparsing3.2.3indirecta
PyPIpyspark4.0.0indirecta
PyPIpytest9.0.3indirecta
PyPIpytest-cov6.2.1indirecta
PyPIpython-dateutil2.9.0.post0indirecta
PyPIpytokens0.4.1indirecta
PyPIpytz2025.2indirecta
PyPIpywin32311indirecta
PyPIpyyaml6.0.2indirecta
PyPIpyzmq27.0.2indirecta
PyPIreferencing0.36.2indirecta
PyPIregex2026.4.4indirecta
PyPIreportlab4.4.3indirecta
PyPIrequests2.33.0indirecta
PyPIrich14.1.0indirecta
PyPIrpds-py0.27.1indirecta
PyPIruff0.12.12indirecta
PyPIs3fs2025.9.0indirecta
PyPIsafetensors0.6.2indirecta
PyPIseaborn0.13.2indirecta
PyPIsetuptools83.0.0indirecta
PyPIshellingham1.5.4indirecta
PyPIsix1.17.0indirecta
PyPIsmmap5.0.2indirecta
PyPIsqlalchemy2.0.43indirecta
PyPIstack-data0.6.3indirecta
PyPIsympy1.14.0indirecta
PyPItensorboardx2.6.4indirecta
PyPItokenizers0.22.2indirecta
PyPItomli2.2.1indirecta
PyPItorchmetrics1.8.2indirecta
PyPItqdm4.67.1indirecta
PyPItraitlets5.14.3indirecta
PyPItransformers5.5.0indirecta
PyPItriad1.0.2indirecta
PyPItriton3.7.1indirecta
PyPItyper0.24.1indirecta
PyPItyping-extensions4.15.0indirecta
PyPItyping-inspection0.4.2indirecta
PyPItzdata2025.2indirecta
PyPIurllib32.7.0indirecta
PyPIvirtualenv20.36.1indirecta
PyPIwcwidth0.2.13indirecta
PyPIwrapt1.17.3indirecta
PyPIxlstm2.0.0indirecta
PyPIxlstm2.0.5indirecta
PyPIyarl1.20.1indirecta
Avisos de dependencias 1

Instalar pypi:neuralforecast@3.2.1 arrastra 55 paquetes, directos y transitivos: 1 tienen avisos conocidos, de los cuales 1 son dependencias directas.

PaqueteVersiónRelaciónGravedadAvisosCorregido en
pytorch-lightning2.5.6directaalta2—

Un aviso significa que la versión registrada en el grafo de dependencias cae dentro del rango afectado de un aviso. No se analiza la alcanzabilidad, y el grafo incluye fijaciones de desarrollo y prueba: un hallazgo puede referirse al utillaje y no al software distribuido.

Informe JSON sin procesar legible por máquina

Comentarios

¿Algo no cuadra en este informe, o hay ideas que compartir? Mediciones erróneas, herramientas no detectadas, ideas, preguntas: todo es bienvenido. Cada mensaje se lee y recibe respuesta.

El mensaje se conserva durante el inicio de sesión.

Registros relacionados

Repositorios inspeccionados que comparten etiquetas de catálogo o ecosistemas con Nixtla/neuralforecast. Leer en paralelo →

100onnx/onnxOpen standard for machine learning interoperabilityExcepcional94autogluon/autogluonFast and Accurate ML in 3 Lines of CodeExcepcional93awslabs/gluontsProbabilistic time series modeling in PythonExcepcional99huggingface/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. Excepcional98pytorch/executorchOn-device AI across mobile, embedded and edge for PyTorchExcepcional98PennyLaneAI/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.Excepcional

Las puntuaciones son señales, no garantías. Reflejan prácticas públicamente visibles en GitHub; no son una auditoría de código ni una garantía de seguridad.

Los datos ausentes se excluyen y los pesos se renormalizan; nunca se puntúan como cero. La metodología es versionada y abierta: métricas v2.10.0, esquema v0.31.0 — metodología completa · wiki de métricas.

Cómo se sitúa un resultado dentro del registro general: estadísticas agregadas — PyPI.