Публічний реєстр
Звіт про здоров'я програмного забезпеченнясхема 0.34.0 · метрики 2.10.0 · 2026-10-21 00:05 UTC

state-spaces / mamba

Mamba SSM architecture

PythonApache-2.0★ 18 937 зірок⑂ 1 831 форкз груд. 2023 р.Переглянути на GitHub ↗
ТипБібліотекаяк це визначено

state-spaces/mamba має індекс здоров’я 60 зі 100, що відповідає смузі «Помірний». Найвищий показник — Community & Adoption (76/100), найнижчий — AI Readiness (35/100). Останнє оновлення було 90 днів тому. Більшість нещодавньої роботи виконують 2 учасники.

60
загалом / 100
Помірний

Індекс здоров'я програмного забезпечення

Метрики згруповано у зважені категорії на шкалі 1–100. Загальна оцінка починається як їхнє зважене середнє, відкаліброване за розподілом публічного реєстру, тож діапазони мають перцентильний зміст; коли публічні дані активують Політику юрисдикцій високого ризику, рейтинг коригується й отримує верхню межу 34 («У зоні ризику»).

60
Винятковий93-100Верхній щабель реєстру (≈ топ-5%); відповідає практично всім перевіреним критеріям
Відмінний80-92Сильний за всіма напрямами; незначні прогалини
Добрий65-79Здоровий; прогалини обмежені та керовані
Помірний50-64Прийнятний, але з помітними прогалинами; рекомендовано перевірку
Слабкий35-49Суттєві недоліки в кількох сферах
У зоні ризику20-34Суттєві слабкі місця; впровадження потребує обережності
Критичний1-19Серйозні проблеми (покинутий, єдиний мейнтейнер, без базової гігієни)
ЖиттєздатністьСпільнота тавпровадженняСталість таврядуванняІнженернаякістьБезпекаГотовність доШІ

Профіль оцінок

Кожна вісь — окрема категорія. Форма важить більше, ніж середнє: здоровий об'єкт заповнює всю фігуру, тоді як профіль із піками та провалами означає, що сила в одному вимірі маскує ризик в іншому.

Зважений загальний бал 57 калібровано до 60 за шкалою опублікованого індексу (калібрування реєстру 2026-08-02).

Власність

state-spacesОрганізація
554 підписники2 публічні репозиторіїз вер. 2023 р.

За цим репозиторієм стоїть організація — спільна, підзвітна опіка, здатна пережити будь-якого окремого мейнтейнера.

Пакетні екосистеми

РеєстрПакетВерсіяЗавантажень / місВерсіїОстання публікаціяТеги
PyPImamba_ssm2.3.2.post156 81726164 дні томуcudapytorchstate-space-model

Метрики за категоріями

Життєздатність

Чи живий проєкт — чи пишеться код і чи виходять релізи?

57Помірний · 21% загального індексу

Активність розробки

46Слабкий
Як обчислюється оцінка
18/36Свіжість push — останній push 90 дн. тому
12.5/36Ритм комітів — 18/52 тижнів із комітами
15.3/18Обсяг комітів — 50 комітів за останній рік
0/10OpenSSF Scorecard: Maintained — 0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
Використані вхідні дані
commits_last_year50
human_commit_share1
days_since_last_push90
active_weeks_last_year18

Дисципліна релізів

74Добрий
Як обчислюється оцінка
27/27Випускає релізи — опубліковано 33 релізів
27/36Свіжість релізів — останній реліз 164 дн. тому
19.8/27Ритм релізів — реліз кожні ~57,7 дн.
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Використані вхідні дані
releases_count33
latest_release_tagv2.3.2.post1
releases_from_tagsні
days_since_latest_release164
mean_days_between_releases57,7

Спільнота та впровадження

Чи має проєкт користувачів, завантаження, увагу та влаштовані умови для контриб’юторів?

76Добрий · 17% загального індексу

Популярність і впровадження

97Винятковий
Як обчислюється оцінка
60/60Зірки — 18 937 зірок
25/25Форки — 1 831 форків
11.7/15Спостерігачі — 129 спостерігачів
Використані вхідні дані
forks1 831
stars18 937
watchers129
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Здоров'я спільноти

50Помірний
Як обчислюється оцінка
22.5/22.5README
22.5/22.5Ліцензія — визнана ліцензія (Apache-2.0)
0/18Настанови CONTRIBUTING
0/13.5Кодекс поведінки
0/7.2Шаблон issue
0/6.3Шаблон PR
Використані вхідні дані
has_readmeтак
has_licenseтак
readme_badges0
has_contributingні
has_issue_templateні
has_code_of_conductні
readme_badge_services—
has_pull_request_templateні

Впровадження в екосистемі (завантаження)

79Добрий
Як обчислюється оцінка
63.4/80Щомісячні завантаження — 56 817 завантажень/місяць у pypi
0/20Залежні пакети в реєстрі — ця екосистема цього не повідомляє
Використані вхідні дані
packagesmamba_ssm
dependents—
ecosystemspypi
total_downloads—
monthly_downloads56 817
unverified_packages_excluded—
Виключено з оцінювання (немає даних або не застосовно): Залежні пакети в реєстрі. Залишкові ваги перенормовано.

Сталість та врядування

Чи переживе проєкт своїх людей — бас-фактор, реактивність, хто за ним стоїть і як супроводжуються пакети?

63Помірний · 23% загального індексу

Стійкість мейнтейнерів (бас-фактор)

63Помірний
Як обчислюється оцінка
25.2/54Бас-фактор — на 2 контриб’ютор(ів) припадає половина всіх комітів
14.6/22.5Розподіл комітів — головний контриб’ютор — автор 35% комітів
13.5/13.5Широта контриб’юторів — 55 контриб’юторів
10/10OpenSSF Scorecard: Contributors — project has 3 contributing companies or organizations -- score normalized to 10
Використані вхідні дані
bus_factor2
contributors_sampled55
top_contributor_share0,353

Реактивність на issue та PR

37Слабкий
Як обчислюється оцінка
13.2/42Вирішення issue — закрито 32% issue
16.3/30Прийняття PR — злито 92/169 вирішених PR
0/13Newcomer PR acceptance — злито 0/1 PR від новачків за 30 дн.
7.5/15OpenSSF Scorecard: Code-Review — Found 16/29 approved changesets -- score normalized to 5
Використані вхідні дані
merged_prs92
open_issues532
closed_issues245
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d1
issue_closed_ratio0,315
closed_unmerged_prs77
first_time_authors_30d1
first_time_prs_merged_30d0
first_time_prs_decided_30d1

Власність та опіка

59Помірний
Як обчислюється оцінка
30/30Підтримка власника — у власності організації
0/20Верифікований домен
19.7/25Охоплення власника — 554 підписників у state-spaces
9.6/25Послужний список — 2 публічних репозиторіїв, вік облікового запису ~3 р.
Використані вхідні дані
followers554
owner_typeOrganization
is_verifiedні
owner_loginstate-spaces
public_repos2
account_age_days1 119

Супровід пакетів

100Винятковий
Як обчислюється оцінка
25/25Опубліковано й доступно — 1 пакет(ів) у pypi
35/35Свіжість публікацій — остання публікація 164 дн. тому
20/20Історія версій — 26 опублікованих версій
20/20Не застарілий — активний, не deprecated і не yanked
Використані вхідні дані
packagesmamba_ssm
ecosystemspypi
any_deprecatedні
min_days_since_publish164

Інженерна якість

Чи наявні базові інженерні практики та документація?

45Слабкий · 19% загального індексу

Інженерні практики

48Слабкий
Як обчислюється оцінка
24/24Процеси CI — 6 процес(ів) CI
24/24Наявні тести
0/16Конфігурація лінтера
0/9.6Pre-commit-хуки
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — 0 out of 29 merged PRs checked by a CI test -- score normalized to 0
Використані вхідні дані
has_ciтак
has_testsтак
has_editorconfigні
has_linter_configні
has_precommit_configні

Документація

40Слабкий
Як обчислюється оцінка
30/30README
0/25Каталог документації
0/15Сайт документації / домашня сторінка
10/10Опис репозиторію
0/10Теми
0/10Wiki
Використані вхідні дані
topics—
has_wikiні
homepage—
docs_site—
has_readmeтак
has_docs_dirні
has_descriptionтак

Безпека

Чи міцні видимі практики безпеки й ланцюга постачання, без непослабленої пов’язаності з юрисдикціями високого ризику?

50Помірний · 16% загального індексу

Стан безпеки

37Слабкий
Як обчислюється оцінка
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — немає даних
0/2.5CI-Tests — 0 out of 29 merged PRs checked by a CI test -- score normalized to 0
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
3.8/7.5Code-Review — Found 16/29 approved changesets -- score normalized to 5
2.5/2.5Contributors — project has 3 contributing companies or organizations -- score normalized to 10
10/10Dangerous-Workflow — no dangerous workflow patterns detected
0/7.5Dependency-Update-Tool — no update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Ліцензія — license file detected
0/7.5Maintained — 0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
0/5Packaging — немає даних
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — Project has not signed or included provenance with any releases.
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
7.5/7.5Vulnerabilities — 0 existing vulnerabilities detected
Використані вхідні дані
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate3,6
Виключено з оцінювання (немає даних або не застосовно): Branch-Protection, Packaging. Залишкові ваги перенормовано.

Сповіщення про залежності

100Винятковий
Як обчислюється оцінка
35/35Прямі залежності без відомих сповіщень — жодна пряма залежність не має відомих сповіщень
25/25Непрямі залежності без відомих сповіщень — жодна непряма залежність не має відомих сповіщень
0/40Немає задавнених сповіщень — жодне сповіщення не має дати публікації
Використані вхідні дані
sourceosv
advisories0
affected_packages0
assessed_packages68
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Виключено з оцінювання (немає даних або не застосовно): Немає задавнених сповіщень. Залишкові ваги перенормовано. Звірено з runtime-замиканням залежностей pypi:mamba_ssm@2.3.2.post1 — тим, що тягне за собою встановлення опублікованого пакета, — 68 пакетів. Досяжність не аналізується.

Готовність до ШІ

Наскільки репозиторій оснащений для розробки та супроводу за участі ШІ-агентів? Має свідомо малу вагу (4%): агентний інструментарій — реальний сигнал супроводу, але репозиторій без нього все одно може отримати 100/100.

35Слабкий · 4% загального індексу

Контекст і настанови для агентів

43Слабкий
Як обчислюється оцінка
0/45Інструкції для агентів — немає CLAUDE.md / AGENTS.md / правил редактора
15/15Машиночитана документація (llms.txt) — llms.txt опубліковано на сайті проєкту (https://pytorch.org/llms.txt)
27.7/40Читабельна історія комітів — намір зазначено у 52 з 100 людських комітів (структурований заголовок або пояснювальний текст)
Використані вхідні дані
has_llms_txtтак
llms_txt_urlhttps://pytorch.org/llms.txt
legible_history_share0,52
agent_instruction_files—
agent_instruction_max_bytes—

Цикл верифікації (збірка / тести / перевірка типів)

24У зоні ризику
Як обчислюється оцінка
0/18Розгортання однією командою
22/22Автоматизовані тести
0/11Конфігурація лінтера / форматера
0/11Статична перевірка типів
0/10Відтворюване середовище
2/10Підтверджена практика роботи з агентами — 1 з останніх 100 комітів створено агентом або з його зазначенням
0/8Автоматизоване супроводження — автоматичних оновлень залежностей не виявлено
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Використані вхідні дані
has_nixні
has_testsтак
lockfiles—
has_dockerfileні
typed_languageні
bootstrap_files—
has_devcontainerні
has_linter_configні
typecheck_configs—
agent_commit_share0,01
toolchain_manifests—
dependency_bot_commit_share0

Читабельність коду для моделей

50Помірний
Як обчислюється оцінка
0/45Типізований код — Python без конфігурації перевірки типів
49.7/55Керовані розміри файлів — 7/72 файлів вихідного коду понад 60 КБ
Використані вхідні дані
primary_languagePython
largest_source_bytes107 618
source_files_sampled72
oversized_source_files7

Ключові факти

18 937зірок GitHub
55контриб'юторів
50комітів за останні 12 місяців
90днів від останнього пушу
33релізів
2бас-фактор
532відкритих issue
PyPIпакетних екосистем

Попередження щодо збору даних

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • Could not fetch pypi package 'selective_scan_cuda' from its registry

Докладніше

Історія зірок і форків 0 ★ / 1 831 ⇿
0Зірки
1 831Форки
16Релізи

Коли додано кожну зірку й форк — зібрано з GitHub і згруповано за днями. Кумулятивне зростання розміщено просто над денними додаваннями, з яких воно складається, тож їх видно одне проти одного: рівномірне органічне накопичення виглядає зовсім інакше, ніж різкий короткочасний сплеск. Там, де цю різницю можна виміряти, її подано як автентичність росту.

Показано лише найновішу історію — цей репозиторій перевищує вікно збору, тож найраніша історія не захоплена.

5001 0001 5002 0001 831162024-062025-082026-10
Мажорні 0Мінорні 3Патчі 7

Кожна точка охоплює 3 днів.

OpenSSF Scorecard 3.6 / 10
3.6сукупно

Незалежна, не прив'язана до інструментів оцінка безпеки від відкритого проєкту OpenSSF Scorecard. Кожна перевірка винагороджує практику безпеки, а не інструмент конкретного постачальника. Перевірки, які Scorecard не зміг визначити, позначено н/д і виключено з оцінки безпеки (вони ніколи не зараховуються як нуль).Scorecard v5.5.0 · 2026-10-21 00:04 UTC

10Binary-Artifactsno binaries found in the repo
н/дBranch-Protectioninternal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
0CI-Tests0 out of 29 merged PRs checked by a CI test -- score normalized to 0
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
5Code-ReviewFound 16/29 approved changesets -- score normalized to 5
10Contributorsproject has 3 contributing companies or organizations -- score normalized to 10
10Dangerous-Workflowno dangerous workflow patterns detected
0Dependency-Update-Toolno update tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
0Maintained0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
н/дPackagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
10Vulnerabilities0 existing vulnerabilities detected
Прямі залежності 10
РеєстрПакетОбмеження версіїМаніфест
PyPItorch—pyproject.toml
PyPItilelang==0.1.8pyproject.toml
PyPIapache-tvm-ffi<=0.1.12pyproject.toml
PyPIquack-kernels>=0.3.4pyproject.toml
PyPItriton>=3.5.0pyproject.toml
PyPIninja—pyproject.toml
PyPIeinops—pyproject.toml
PyPItransformers—pyproject.toml
PyPIpackaging—pyproject.toml
PyPIsetuptools>=61.0.0pyproject.toml
Усі залежності 11

Повний розв'язаний набір залежностей із графа залежностей GitHub: 10 прямих і 1 непрямих (транзитивних) пакетів. Транзитивне замикання є повним, коли в репозиторії закомічено lockfile.

РеєстрПакетВерсіяЗв'язок
PyPIapache-tvm-ffi—пряма
PyPIeinops—пряма
PyPIninja—пряма
PyPIpackaging—пряма
PyPIquack-kernels—пряма
PyPIsetuptools—пряма
PyPItilelang0.1.8пряма
PyPItorch—пряма
PyPItransformers—пряма
PyPItriton—пряма
PyPIcausal-conv1d—непряма
Сповіщення про залежності 0

Встановлення pypi:mamba_ssm@2.3.2.post1 тягне 68 пакетів, прямих і транзитивних: 0 мають відомі сповіщення, з них 0 — прямі залежності.

Жодне відоме сповіщення не стосується оцінених залежностей.

Сповіщення означає, що версія, записана в графі залежностей, потрапляє в уражений діапазон. Досяжність не аналізується, а граф містить піниї розробки й тестування — знахідка може стосуватися інструментів, а не поставленого коду.

Звіт у форматі JSON машиночитний

Зворотний зв’язок

Помітили щось хибне у цьому звіті або маєте чим поділитися? Неправильні вимірювання, непомічені інструменти, ідеї, запитання — усе доречно. Кожне повідомлення читається й отримує відповідь.

Повідомлення збережеться під час входу.

Пов’язані записи

Перевірені репозиторії, що мають спільні каталожні теги або екосистеми з state-spaces/mamba. Читати поруч →

99vllm-project/vllmA high-throughput and memory-efficient inference and serving engine for LLMsВинятковий98LMCache/LMCacheLMCache: Supercharge Your LLM with the Fastest KV Cache LayerВинятковий98NVIDIA/TensorRT-LLMTensorRT LLM provides users with an easy-to-use Python API to define Large Language Models (LLMs) and supports state-of-the-art optimizations to perform inference efficiently on NVIDIA GPUs. TensorRT LLM also contains components to create Python and C++ runtimes that orchestrate the inference execution in a performant way.Винятковий98pytorch/aoPyTorch native quantization for training and inferenceВинятковий98replicate/cogContainers for machine learningВинятковий97flashinfer-ai/flashinferFlashInfer: Kernel Library for LLM ServingВинятковий

Оцінки — це сигнали, а не гарантії. Вони відображають публічно видимі практики на GitHub — це не аудит коду й не гарантія безпеки.

Відсутні дані виключаються, а ваги перенормовуються — нуль за відсутність ніколи не ставиться. Методологія версіонована й відкрита: метрики v2.10.0, схема v0.34.0 — повна методологія · вікі метрик.

Як окремий результат виглядає на тлі всього реєстру: сукупна статистика — PyPI.