公开记录
软件健康报告模式 0.34.0 · 指标 2.10.0 · 2026-09-20 02:02 UTC

Lightning-AI / torchmetrics

Machine learning metrics for distributed, scalable PyTorch applications.

PythonApache-2.0★ 2,473 星标⑂ 526 复刻始于 2020年12月在 GitHub 上查看 ↗
类型命令行工具库如何判定
#python#data-science#machine-learning#pytorch#deep-learning#metrics#analyses

Lightning-AI/torchmetrics 的健康指数为 100 分中的 90 分，处于「优秀」区间。 其得分最高的类别是Community & Adoption（92/100），最低的是Security（40/100）。 最近一次更新在 5 天前。 近期的大部分工作由 2 位贡献者完成。

90
总分 / 100
优秀

软件健康指数

指标归入加权类别，统一采用 1–100 量表。总体分先取类别加权平均，再依据公开记录的分布进行校准，使各等级具有百分位含义；当公开证据触发高风险司法辖区政策时，评级会按政策调整，并设置 34（存在风险）的上限。

90
卓越93-100公开记录中的最高层级（约前 5%）；基本满足所有检验标准
优秀80-92各方面均表现强劲；仅有少量不足
良好65-79健康；不足之处有限且可控
中等50-64可接受，但存在明显不足；建议进行审查
薄弱35-49多个领域存在实质性薄弱环节
存在风险20-34存在重大薄弱环节；采用时应保持审慎
危急1-19问题严重（项目被弃置、仅有单一维护者、缺乏基本工程规范）
活力社区与采用可持续性与治理工程质量安全AI 就绪度

评分画像

每条轴代表一个类别。形状比平均值更重要——健康的对象会填满整个图形，而“一峰一谷”式画像意味着某一维度的优势正掩盖另一维度的风险。

加权总体分 76 经校准后在公布的指数量表上为 90（记录校准 2026-08-02）。

所有权

⚡️ Lightning AI 组织
6,868 关注者30 个公开仓库始于 2019年12月

该仓库由组织支持——共同承担、可问责的托管责任，可延续于任何单一维护者之后。

软件包生态系统

注册表软件包版本月下载量版本数最近发布标签
PyPItorchmetrics1.9.011,497,31173194 天前deep-learningmachine-learningpytorchmetricsai

按类别列示的指标

活力

项目是否仍有生命——是否仍在编写代码，是否仍在发布版本？

75良好 · 占总体的 21%

开发活跃度

73良好
评分方式
36/36推送新近度 — 最近一次推送于 5 天前
13.8/36提交节奏 — 52 周中有 20 周有提交
16/18提交量 — 最近一年 60 次提交
0/10OpenSSF Scorecard：Maintained — 无数据
所用输入
commits_last_year60
human_commit_share0.59
days_since_last_push5
active_weeks_last_year20

发布纪律

78良好
评分方式
27/27有发布版本 — 已发布 65 个发布版本
16.2/36发布时效 — 最近一次发布版本于 194 天前
27/27发布节奏 — 约每 40 天发布一次
0/10OpenSSF Scorecard：Signed-Releases — 无数据
所用输入
releases_count65
latest_release_tagv1.9.0
releases_from_tags否
days_since_latest_release194
mean_days_between_releases40

社区与采用

项目是否拥有用户、下载量与关注度，并具备欢迎贡献者参与的配置？

92优秀 · 占总体的 17%

流行度与采用

86优秀
评分方式
55/60星标 — 2,473 个星标
22.7/25复刻 — 526 个复刻
7.8/15关注者 — 26 位关注者
所用输入
forks526
stars2,473
watchers26
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

社区健康

92优秀
评分方式
22.5/22.5README
22.5/22.5许可证 — 可识别的许可证（Apache-2.0）
18/18CONTRIBUTING 指南
13.5/13.5行为准则
0/7.2议题模板
6.3/6.3PR 模板
所用输入
has_readme是
has_license是
readme_badges10
has_contributing是
has_issue_template否
has_code_of_conduct是
readme_badge_servicesbadge.fury.io, codecov.io, dev.azure.com, github.com, readthedocs.org, shields.io
has_pull_request_template是

生态采用（下载量）

100卓越
评分方式
80/80月度下载量 — pypi 合计每月 11,497,311 次下载
0/20注册表被依赖数 — 该生态系统不报告此项
所用输入
packagestorchmetrics
dependents—
ecosystemspypi
total_downloads—
monthly_downloads11,497,311
unverified_packages_excluded—
已排除计分（无数据或不适用）：注册表被依赖数。 其余权重已重新归一化。

可持续性与治理

项目能否在其成员之外延续——巴士系数、响应能力、由谁支持，以及软件包的维护状况？

75良好 · 占总体的 23%

维护者韧性（巴士系数）

57中等
评分方式
25.2/54巴士系数 — 2 位贡献者贡献了半数提交
12.9/22.5提交分布 — 头号贡献者编写了 43% 的提交
13.5/13.5贡献者广度 — 97 位贡献者
0/10OpenSSF Scorecard：Contributors — 无数据
所用输入
bus_factor2
contributors_sampled97
top_contributor_share0.426

议题与 PR 响应能力

81优秀
评分方式
37.7/42议题解决 — 90% 的议题已关闭
27/30PR 接受 — 已裁定的 PR 中 1,924/2,135 已合并
4.3/13Newcomer PR acceptance — 30 天内首次贡献者的 PR 已合并 5/15
0/15OpenSSF Scorecard：Code-Review — 无数据
所用输入
merged_prs1,924
open_issues107
closed_issues930
prs_merged_7d0
prs_decided_7d0
prs_merged_30d9
prs_decided_30d20
issue_closed_ratio0.897
closed_unmerged_prs211
first_time_authors_30d6
first_time_prs_merged_30d5
first_time_prs_decided_30d15

所有权与托管责任

78良好
评分方式
30/30所有权背书 — 组织持有
0/20已验证域名
25/25所有者影响力 — Lightning-AI 有 6,868 位关注者
22.9/25既往记录 — 30 个公开仓库，账户约 6 年
所用输入
followers6,868
owner_typeOrganization
is_verified否
owner_loginLightning-AI
public_repos30
account_age_days2,484

软件包维护

91优秀
评分方式
25/25已发布且可解析 — pypi 上有 1 个软件包
26/35发布时效 — 最近一次发布于 194 天前
20/20版本历史 — 73 个已发布版本
20/20未被弃用 — 活跃，未被弃用或撤回
所用输入
packagestorchmetrics
ecosystemspypi
any_deprecated否
min_days_since_publish194

工程质量

基础的工程与文档实践是否到位？

91优秀 · 占总体的 19%

工程实践

92优秀
评分方式
24/24CI 工作流 — 12 个工作流
24/24存在测试
16/16Linter 配置 — pyproject.toml ([tool.ruff])
9.6/9.6Pre-commit 钩子
0/6.4.editorconfig
0/20OpenSSF Scorecard：CI-Tests — 无数据
所用输入
has_ci是
has_tests是
has_editorconfig否
has_linter_config是
has_precommit_config是

文档

90优秀
评分方式
30/30README
25/25文档目录
15/15文档 / 主页站点 — https://lightning.ai/docs/torchmetrics/
10/10仓库描述
10/10主题标签 — 7 个主题标签
0/10Wiki
所用输入
topicspython, data-science, machine-learning, pytorch, deep-learning, metrics, analyses
has_wiki否
homepagehttps://lightning.ai/docs/torchmetrics/
docs_sitehttps://lightning.ai/docs/torchmetrics/
has_readme是
has_docs_dir是
has_description是

安全

可见的安全与供应链实践是否稳固，且不存在未解决的高风险司法辖区暴露？

40薄弱 · 占总体的 16%

安全态势

25存在风险
评分方式
0/30安全策略（SECURITY.md）
25/25Dependabot 配置
0/25依赖锁定文件
0/20CodeQL 工作流
所用输入
sourcefile_signals
lockfiles—
manifestspyproject.toml, requirements.txt, setup.py
has_codeql_workflow否
has_security_policy否
has_dependabot_config是

依赖安全公告

100卓越
评分方式
35/35直接依赖不含已知公告 — 没有直接依赖携带已知公告
25/25间接依赖不含已知公告 — 没有间接依赖携带已知公告
0/40没有长期未处理的公告 — 没有公告带有发布日期
所用输入
sourceosv
advisories0
affected_packages0
assessed_packages32
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
已排除计分（无数据或不适用）：没有长期未处理的公告。 其余权重已重新归一化。 比对的是 pypi:torchmetrics@1.9.0 的运行时依赖闭包——安装已发布的软件包时真正被拉取进来的内容——共 32 个软件包。 未对可达性进行分析。

AI 就绪度

该仓库在多大程度上具备与 AI 编码代理协同开发与维护的条件？权重刻意设小（4%）：代理工具链是一项真实的维护信号，但完全不具备的仓库仍可达到 100/100。

84优秀 · 占总体的 4%

AI 代理上下文与指引

55中等
评分方式
0/45代理指令 — 没有 CLAUDE.md / AGENTS.md / 编辑器规则
15/15机器可读文档（llms.txt） — 项目网站提供 llms.txt（https://lightning.ai/llms.txt）
40/40可读的提交历史 — 59 次人类提交中有 55 次说明了意图（结构化标题或解释性正文）
所用输入
has_llms_txt是
llms_txt_urlhttps://lightning.ai/llms.txt
legible_history_share0.932
agent_instruction_files—
agent_instruction_max_bytes—

验证循环（构建 / 测试 / 类型检查）

100卓越
评分方式
18/18一条命令的引导启动 — Makefile, docs/Makefile
22/22自动化测试
11/11Lint / 格式化配置 — pyproject.toml ([tool.ruff])
11/11静态类型检查 — src/torchmetrics/py.typed
10/10可复现环境 — devcontainer, Dockerfile
10/10已体现的代理实践 — 最近 100 次提交中有 6 次由代理编写或署名代理
8/8自动化维护 — 最近 100 次提交中有 41 次为自动依赖更新
0/10OpenSSF Scorecard：Pinned-Dependencies — 无数据
所用输入
has_nix否
has_tests是
lockfiles—
has_dockerfile是
typed_language否
bootstrap_filesMakefile, docs/Makefile
has_devcontainer是
has_linter_config是
typecheck_configssrc/torchmetrics/py.typed
agent_commit_share0.06
toolchain_manifests—
dependency_bot_commit_share0.41

面向模型的代码可读性

82优秀
评分方式
27/45可类型检查的代码 — Python，已配置类型检查（src/torchmetrics/py.typed）
55/55可控的文件大小 — 采样的 563 个源文件中有 0 个超过 60KB
所用输入
primary_languagePython
largest_source_bytes56,859
source_files_sampled563
oversized_source_files0

机器可读接口

100卓越
评分方式
0/40API 模式（OpenAPI/GraphQL/proto） — 不适用于此类软件
0/20MCP 服务器 — 不适用于此类软件
40/40可运行示例 — examples
所用输入
example_dirsexamples
has_mcp_signal否
api_schema_files—
interfaces_expected_of—
已排除计分（无数据或不适用）：API 模式（OpenAPI/GraphQL/proto）, MCP 服务器。 其余权重已重新归一化。

关键数据

2,473GitHub 星标
97贡献者
60最近 12 个月提交数
5距最近推送天数
65发布版本数
2巴士系数（bus factor）
107开放议题
PyPI软件包生态系统数

数据采集警告

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/09/20 02:01:53 Warning: PATs stored in env variables GITHUB_AUTH_TOKEN and GITHUB_TOKEN differ. Scorecard will use the former.); skipping Scorecard checks

更多细节

Star 与 Fork 历史 0 ★ / 526 ⇿
0Star
526Fork
65发布

每颗 star 和每个 fork 的添加时间，来自 GitHub 并按天汇总。累计增长位于其构成来源——每日新增——的正上方，二者可相互对照：稳定的自然增长与短暂的突增形态截然不同。当这一差别可被衡量时，它会作为增长真实性予以报告。

010020030040050060052082021-032023-122026-09
主版本 1次版本 19修订 43

每个点涵盖 6 天。

全部依赖 106

来自 GitHub 依赖图的完整解析依赖集合：0 个直接依赖与 106 个间接（传递）软件包。仓库提交锁文件时，传递闭包才是完整的。

注册表软件包版本关系
PyPIaeon—间接
PyPIbert-score0.3.13间接
PyPIcachier4.2.0间接
PyPIcloudpickle—间接
PyPIcodecov2.1.13间接
PyPIcoverage7.10.7间接
PyPIdists-pytorch0.1间接
PyPIdocutils0.19间接
PyPIdython0.7.9间接
PyPIeinops—间接
PyPIfairlearn—间接
PyPIfast-bss-eval—间接
PyPIfaster-coco-eval—间接
PyPIfire—间接
PyPIgammatone—间接
PyPIhuggingface-hub—间接
PyPIipadic—间接
PyPIipython—间接
PyPIjiwer—间接
PyPIkornia—间接
PyPIlai-sphinx-theme—间接
PyPIlibrosa—间接
PyPIlightning—间接
PyPIlightning-utilities—间接
PyPIlightning-utilities0.15.3间接
PyPIlpips—间接
PyPImatplotlib—间接
PyPImecab-ko—间接
PyPImecab-ko-dic—间接
PyPImecab-python3—间接
PyPImir-eval—间接
PyPImonai1.4.0间接
PyPImypy1.18.2间接
PyPImyst-parser1.0.0间接
PyPInetcal—间接
PyPInltk—间接
PyPInumpy—间接
PyPIonnxruntime—间接
PyPIpackaging—间接
PyPIpandas—间接
PyPIpandoc2.4间接
PyPIpermetrics2.0.0间接
PyPIpesq—间接
PyPIphmdoctest1.4.0间接
PyPIpiq—间接
PyPIproperscoring0.1间接
PyPIpsutil—间接
PyPIpy-tree—间接
PyPIpycocotools—间接
PyPIpydantic—间接
PyPIpygithub—间接
PyPIpystoi—间接
PyPIpytdc—间接
PyPIpytest—间接
PyPIpytest8.4.2间接
PyPIpytest-cov7.0.0间接
PyPIpytest-doctestplus—间接
PyPIpytest-doctestplus1.4.0间接
PyPIpytest-rerunfailures—间接
PyPIpytest-rerunfailures16.0.1间接
PyPIpytest-timeout2.4.0间接
PyPIpytest-xdist3.8.0间接
PyPIpytorch-lightning—间接
PyPIpytorch-msssim1.0.0间接
PyPIregex—间接
PyPIrequests—间接
PyPIrouge-score—间接
PyPIsacrebleu—间接
PyPIsafetensors—间接
PyPIscienceplots—间接
PyPIscikit-image—间接
PyPIscikit-learn—间接
PyPIscipy—间接
PyPIsentencepiece—间接
PyPIsetuptools—间接
PyPIsewar—间接
PyPIsphinx5.3.0间接
PyPIsphinx-autobuild2024.10.3间接
PyPIsphinx-autodoc-typehints1.23.0间接
PyPIsphinx-copybutton0.5.2间接
PyPIsphinx-gallery0.19.0间接
PyPIsphinx-paramlinks0.6.0间接
PyPIsphinx-togglebutton0.3.2间接
PyPIsphinxcontrib-fulltoc—间接
PyPIsphinxcontrib-mockautodoc—间接
PyPIsrmrpy—间接
PyPIstatsmodels—间接
PyPItimm—间接
PyPItorch—间接
PyPItorch2.10.0间接
PyPItorch-complex—间接
PyPItorch-fidelity—间接
PyPItorch-linear-assignment—间接
PyPItorchaudio—间接
PyPItorchvision—间接
PyPItqdm—间接
PyPItransformers—间接
PyPItypes-emoji—间接
PyPItypes-protobuf—间接
PyPItypes-pyyaml—间接
PyPItypes-requests—间接
PyPItypes-setuptools—间接
PyPItypes-six—间接
PyPItypes-tabulate—间接
PyPIvmaf-torch—间接
PyPIwget—间接
依赖安全公告 0

安装 pypi:torchmetrics@1.9.0 会引入 32 个包（直接与传递）：其中 0 个存在已知公告，0 个为直接依赖。

没有已知公告影响已评估的依赖。

公告表示依赖图中记录的版本落入某条公告的受影响范围。可达性未经分析，且依赖图包含开发与测试的版本固定——某项发现可能只涉及工具链而非交付的软件。

原始 JSON 报告 机器可读

反馈

发现这份报告有不准确之处，或有想法要分享？错误的测量、未识别的工具、建议、疑问——都欢迎提出。每条消息都会被阅读并得到回复。

登录过程中消息不会丢失。

相关记录

与 Lightning-AI/torchmetrics 共享目录标签或生态系统的已检测仓库。 并排阅读 →

100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.卓越99ultralytics/ultralyticsUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking卓越99ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.卓越98autogluon/autogluonFast and Accurate ML in 3 Lines of Code卓越98zenml-io/zenmlZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.卓越98pytorch/igniteHigh-level library to help with training and evaluating neural networks in PyTorch flexibly and transparently.卓越

评分是信号，而非担保。 评分反映的是 GitHub 上公开可见的实践——不是代码审计，也不是安全保证。

缺失数据将被剔除并重新归一化权重，绝不按零分计。方法论已版本化并公开：指标 v2.10.0、模式 v0.34.0—— 完整方法论 · 指标知识库.

单项结果在整体记录中的位置： 汇总统计 — PyPI.