公开记录
软件健康报告模式 0.34.0 · 指标 2.10.0 · 2026-10-21 17:40 UTC

qualcomm / ai-hub-models

Qualcomm® AI Hub Models is our collection of state-of-the-art machine learning models optimized for performance (latency, memory etc.) and ready to deploy on Qualcomm® devices.

PythonBSD-3-Clause★ 1,233 星标⑂ 214 复刻始于 2023年12月在 GitHub 上查看 ↗
类型命令行工具库如何判定
#deeplearning#demos#inference#inference-api#inference-engine#machine-learning#machinelearning#onnx#pytorch#qnn#tensorflow-lite

qualcomm/ai-hub-models 的健康指数为 100 分中的 89 分，处于「优秀」区间。 其得分最高的类别是Vitality（96/100），最低的是Security（40/100）。 最近一次更新在今天。 近期的大部分工作由 2 位贡献者完成。

89
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。

89
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 75 经校准后在公布的指数量表上为 89（记录校准 2026-08-02）。

所有权

Qualcomm Technologies, Inc.组织
1,010 关注者163 个公开仓库始于 2019年9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
PyPIqai_hub_models_cli0.65.06,732250 天前
PyPIqai_hub_models指向其他仓库——不计分0.65.05,6621220 天前

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？

96卓越 · 占总体的 21%

开发活跃度

93卓越
评分方式
36/36推送新近度 — 最近一次推送于 0 天前
29.8/36提交节奏 — 52 周中有 43 周有提交
18/18提交量 — 最近一年 1,330 次提交
0/10OpenSSF Scorecard：Maintained — 无数据
所用输入
commits_last_year1,330
human_commit_share0.98
days_since_last_push0
active_weeks_last_year43

发布纪律

100卓越
评分方式
27/27有发布版本 — 已发布 80 个发布版本
36/36发布时效 — 最近一次发布版本于 14 天前
27/27发布节奏 — 约每 10.7 天发布一次
0/10OpenSSF Scorecard：Signed-Releases — 无数据
所用输入
releases_count80
latest_release_tagv0.64.0
releases_from_tags否
days_since_latest_release14
mean_days_between_releases10.7

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？

79良好 · 占总体的 17%

流行度与采用

78良好
评分方式
50.1/60星标 — 1,233 个星标
19.4/25复刻 — 214 个复刻
8/15关注者 — 29 位关注者
所用输入
forks214
stars1,233
watchers29
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（BSD-3-Clause）
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_badges4
has_contributing是
has_issue_template否
has_code_of_conduct是
readme_badge_servicesshields.io
has_pull_request_template是

生态采用（下载量）

64中等
评分方式
51/80月度下载量 — pypi 合计每月 6,732 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
packagesqai_hub_models_cli
dependents—
ecosystemspypi
total_downloads—
monthly_downloads6,732
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？

71良好 · 占总体的 23%

维护者韧性（巴士系数）

61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
16.1/22.5提交分布 — 头号贡献者编写了 28% 的提交
13.5/13.5贡献者广度 — 29 位贡献者
0/10OpenSSF Scorecard：Contributors — 无数据
所用输入
bus_factor2
contributors_sampled29
top_contributor_share0.285

议题与 PR 响应能力

53中等
评分方式
41.3/42议题解决 — 98% 的议题已关闭
3.8/30PR 接受 — 已裁定的 PR 中 6/47 已合并
0/13Newcomer PR acceptance — 30 天内首次贡献者的 PR 已合并 0/11
0/15OpenSSF Scorecard：Code-Review — 无数据
所用输入
merged_prs6
open_issues5
closed_issues294
prs_merged_7d0
prs_decided_7d10
prs_merged_30d0
prs_decided_30d11
issue_closed_ratio0.983
closed_unmerged_prs41
first_time_authors_30d4
first_time_prs_merged_30d0
first_time_prs_decided_30d11

所有权与托管责任

77良好
评分方式
30/30所有权背书 — 组织持有
0/20已验证域名
21.6/25所有者影响力 — qualcomm 有 1,010 位关注者
25/25既往记录 — 163 个公开仓库，账户约 7 年
所用输入
followers1,010
owner_typeOrganization
is_verified否
owner_loginqualcomm
public_repos163
account_age_days2,594

软件包维护

100卓越
评分方式
25/25已发布且可解析 — pypi 上有 1 个软件包
35/35发布时效 — 最近一次发布于 0 天前
20/20版本历史 — 25 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
packagesqai_hub_models_cli
ecosystemspypi
any_deprecated否
min_days_since_publish0

工程质量

基础的工程与文档实践是否到位？

81优秀 · 占总体的 19%

工程实践

92优秀
评分方式
24/24CI 工作流 — 40 个工作流
24/24存在测试
16/16Linter 配置 — ruff.toml
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

65良好
评分方式
30/30README
0/25文档目录
15/15文档 / 主页站点 — https://aihub.qualcomm.com/models
10/10仓库描述
10/10主题标签 — 11 个主题标签
0/10Wiki
所用输入
topicsdeeplearning, demos, inference, inference-api, inference-engine, machine-learning, machinelearning, onnx, pytorch, qnn, tensorflow-lite
has_wiki否
homepagehttps://aihub.qualcomm.com/models
docs_sitehttps://aihub.qualcomm.com/models
has_readme是
has_docs_dir否
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—
manifestscli/pyproject.toml, src/pyproject.toml, src/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
0/25间接依赖不含已知公告 — 在此范围内，传递依赖集合无法与开发和测试依赖区分
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
advisories610
affected_packages39
assessed_packages229
unassessed_packages57
affected_by_severitycritical 16, high 20, moderate 3
direct_affected_packages0
已排除计分（无数据或不适用）：间接依赖不含已知公告, 没有长期未处理的公告。 其余权重已重新归一化。 已将 229 个已解析依赖与 OSV 比对。 有 57 项无法评估——没有已解析的版本、生态系统不受支持，或超出所报告的软件包清单。 该仓库未发布任何索引可解析的软件包，因此改为评估仓库依赖图。该图将开发与测试版本固定同交付的依赖混在一起，因此仅对声明的运行时依赖计分；传递性发现仅作为背景信息列出，不计入评分。 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。

72良好 · 占总体的 4%

AI 代理上下文与指引

85优秀
评分方式
45/45代理指令 — CLAUDE.md
0/15机器可读文档（llms.txt）
40/40可读的提交历史 — 98 次人类提交中有 98 次说明了意图（结构化标题或解释性正文）
所用输入
has_llms_txt否
llms_txt_url—
legible_history_share1
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes14,150

验证循环（构建 / 测试 / 类型检查）

57中等
评分方式
0/18一条命令的引导启动
22/22自动化测试
11/11Lint / 格式化配置 — ruff.toml
0/11静态类型检查
0/10可复现环境
10/10已体现的代理实践 — 最近 100 次提交中有 48 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 1 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否
typed_language否
bootstrap_files—
has_devcontainer否
has_linter_config是
typecheck_configs—
agent_commit_share0.48
toolchain_manifests—
dependency_bot_commit_share0.01

面向模型的代码可读性

55中等
评分方式
0/45可类型检查的代码 — Python，未配置类型检查
54.9/55可控的文件大小 — 采样的 3,710 个源文件中有 10 个超过 60KB
所用输入
primary_languagePython
largest_source_bytes159,821
source_files_sampled3,710
oversized_source_files10

机器可读接口

100卓越
评分方式
40/40API 模式（OpenAPI/GraphQL/proto） — proto/info.proto, proto/manifest.proto, proto/model_metadata.proto, proto/numerics.proto, proto/perf.proto, proto/platform.proto, proto/release_assets.proto, proto/shared/precision.proto, proto/shared/range.proto, proto/shared/runtime.proto, proto/shared/tensor_spec.proto, proto/shared/tool_versions.proto
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_filesproto/info.proto, proto/manifest.proto, proto/model_metadata.proto, proto/numerics.proto, proto/perf.proto, proto/platform.proto, proto/release_assets.proto, proto/shared/precision.proto, proto/shared/range.proto, proto/shared/runtime.proto, proto/shared/tensor_spec.proto, proto/shared/tool_versions.proto
interfaces_expected_of—
已排除计分（无数据或不适用）：MCP 服务器。 其余权重已重新归一化。

关键数据

1,233GitHub 星标
29贡献者
1,330最近 12 个月提交数
0距最近推送天数
80发布版本数
2巴士系数（bus factor）
5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
  • pypi package 'qai_hub_models' points at a different repository (https://github.com/quic/ai-hub-models); excluded from ecosystem scoring
  • deps.dev does not index pypi:qai_hub_models_cli@0.65.0; advisories assessed against the repository dependency graph instead
  • OpenSSF Scorecard did not return a usable result (killed by SIGKILL — most likely the container's memory limit; 2026/10/21 17:39:39 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 ★ / 214 ⇿
0Star
214Fork
80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。

0408012016020024021352024-012025-062026-10
主版本 0次版本 41修订 37

每个点涵盖 3 天。

直接依赖 7
注册表软件包版本约束清单文件
PyPIfilelock>=3.16.1,<=3.29.0cli/pyproject.toml
PyPIpackaging>=24.2,<=26.2.0cli/pyproject.toml
PyPIplatformdirs>=4.0,<=4.9.6cli/pyproject.toml
PyPIprettytable>=3.10,<=3.16.0cli/pyproject.toml
PyPIprotobuf>=4.25.9,<=7.34.1cli/pyproject.toml
PyPIrequests>=2.25,<=2.33.1cli/pyproject.toml
PyPItqdm>=4.66,<=4.67.3cli/pyproject.toml
全部依赖 286

来自 GitHub 依赖图的完整解析依赖集合：12 个直接依赖与 274 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
PyPIfilelock—直接
PyPIpackaging—直接
PyPIpackaging21.3直接
PyPIpackaging26.0直接
PyPIplatformdirs—直接
PyPIprettytable—直接
PyPIprettytable3.11.0直接
PyPIprettytable3.17.0直接
PyPIprotobuf—直接
PyPIrequests—直接
PyPIrequests2.33.1直接
PyPItqdm—直接
PyPIaccelerate—间接
PyPIaccelerate1.12.0间接
PyPIaccelerate1.2.1间接
PyPIadbutils—间接
PyPIaddict2.4.0间接
PyPIaimet-onnx—间接
PyPIaimet-onnx2.28.0间接
PyPIaimet-onnx2.33.0间接
PyPIaimet-onnx2.34.0间接
PyPIaimet-onnx2.35.0间接
PyPIaimet-onnx2.37.0间接
PyPIaimet-onnx2.38.0间接
PyPIaimet-onnx2.41间接
PyPIaioboto312.3.0间接
PyPIaiofiles24.1.0间接
PyPIaiofiles25.1.0间接
PyPIaiohttp3.13.3间接
PyPIalbumentations1.4.18间接
PyPIanyascii0.3.2间接
PyPIappium-python-client2.7.0间接
PyPIappium-python-client5.2.4间接
PyPIasteroid-filterbanks0.4.0间接
PyPIasync-generator1.10间接
PyPIattrs22.1.0间接
PyPIaudio2numpy0.1.2间接
PyPIav12.3.0间接
PyPIav14.0.1间接
PyPIboto3—间接
PyPIboto3-stubs—间接
PyPIboto3-stubs1.36.9间接
PyPIbotocore—间接
PyPIbuild—间接
PyPIcached-path1.8.10间接
PyPIcachetools6.2.1间接
PyPIcertifi2022.9.24间接
PyPIcffi1.15.1间接
PyPIcloudpickle3.1.1间接
PyPIcn2an0.5.22间接
PyPIcolorama0.4.5间接
PyPIcoverage—间接
PyPIdatasets4.1.1间接
PyPIdecord0.6.0间接
PyPIdiffusers0.30.2间接
PyPIdiffusers0.35.2间接
PyPIdm-env1.6间接
PyPIdm-tree0.1.8间接
PyPIeasydict1.13间接
PyPIeasyocr1.7.2间接
PyPIefficientnet-pytorch0.7.1间接
PyPIeinops—间接
PyPIeinops0.3.2间接
PyPIeinops0.8.1间接
PyPIeinops0.8.2间接
PyPIeng-to-ipa0.0.2间接
PyPIexceptiongroup1.0.0rc9间接
PyPIffmpeg1.4间接
PyPIflash-linear-attention—间接
PyPIfugashi1.5.2间接
PyPIfunasr1.3.12间接
PyPIfvcore0.1.5.post20210825间接
PyPIfvcore0.1.5.post20221221间接
PyPIg2p-en2.1.0间接
PyPIg2pkk—间接
PyPIgdown4.7.1间接
PyPIgeffnet1.0.2间接
PyPIgeopandas1.1.0间接
PyPIgitpython3.1.42间接
PyPIgitpython3.1.49间接
PyPIgoogle-cloud-storage—间接
PyPIgradio6.14.0间接
PyPIgrpcio-tools1.62.3间接
PyPIgruut2.4.0间接
PyPIgymnasium1.0.0间接
PyPIh110.14.0间接
PyPIh5py3.12.1间接
PyPIhdf5storage0.2.2间接
PyPIhttpx—间接
PyPIhuggingface-hub—间接
PyPIhuggingface-hub0.36.2间接
PyPIhydra-core—间接
PyPIhydra-core1.3.2间接
PyPIidna3.4间接
PyPIimageio2.34.2间接
PyPIimageio2.37.2间接
PyPIimgaug0.4.0间接
PyPIinflect7.0.0间接
PyPIiniconfig1.1.1间接
PyPIinputimeout—间接
PyPIipython8.12.3间接
PyPIjamo0.4.1间接
PyPIjieba0.42.1间接
PyPIjinja2—间接
PyPIjiwer—间接
PyPIjiwer3.0.3间接
PyPIjunitparser3.2.0间接
PyPIkornia0.5.0间接
PyPIkornia0.7.4间接
PyPIlangid1.1.6间接
PyPIlerobot0.4.1间接
PyPIlevenshtein—间接
PyPIlibrosa0.10.1间接
PyPIlibrosa0.11.0间接
PyPIllvmlite—间接
PyPIlmdb2.1.1间接
PyPIloguru—间接
PyPIlxml6.0.2间接
PyPIlyft-dataset-sdk0.0.8间接
PyPImatplotlib3.10.7间接
PyPImecab-python31.0.12间接
PyPImmcv1.7.0间接
PyPImmcv-lite2.1.0间接
PyPImmdet2.27.0间接
PyPImmdet3.3.0间接
PyPImmengine0.10.7间接
PyPImmsegmentation0.30.0间接
PyPImujoco3.4.0间接
PyPImypy1.19.1间接
PyPImypy-protobuf3.6.0间接
PyPInltk3.9.2间接
PyPInum2words0.5.12间接
PyPInumba—间接
PyPInumba0.59.1间接
PyPInumba0.62.1间接
PyPInumpy—间接
PyPInumpy1.26.4间接
PyPInumpydantic1.6.7间接
PyPInumpydoc1.9.0间接
PyPInuscenes-devkit1.2.0间接
PyPIobject-detection-metrics0.4.post1间接
PyPIomegaconf—间接
PyPIomegaconf2.3.0间接
PyPIonnx—间接
PyPIonnx1.17.0间接
PyPIonnx1.18.0间接
PyPIonnx-ir0.2.1间接
PyPIonnxruntime—间接
PyPIonnxruntime1.22间接
PyPIonnxruntime1.22.1间接
PyPIonnxscript0.7.0间接
PyPIonnxsim0.5.0间接
PyPIonnxsim0.6.5间接
PyPIonnxsim-prebuilt0.4.36.post1间接
PyPIonnxsim-prebuilt0.4.39.post2间接
PyPIopencv-python—间接
PyPIoutcome1.2.0间接
PyPIpandas—间接
PyPIpeft0.14.0间接
PyPIpeft0.19.1间接
PyPIpillow—间接
PyPIpipablepytorch3d0.7.6间接
PyPIpiper-phonemize1.1.0间接
PyPIpiper-phonemize-cross1.2.1间接
PyPIpluggy1.0.0间接
PyPIplyfile—间接
PyPIpre-commit4.0.1间接
PyPIpsutil—间接
PyPIpsutil6.1.1间接
PyPIpy1.11.0间接
PyPIpyannote-audio3.3.2间接
PyPIpyarrow21.0.0间接
PyPIpyaudio0.2.14间接
PyPIpycocotools2.0.11间接
PyPIpycparser2.21间接
PyPIpydantic—间接
PyPIpydantic2.10.6间接
PyPIpydantic-yaml1.4.0间接
PyPIpydub0.25.1间接
PyPIpykakasi2.3.0间接
PyPIpyogrio0.12.1间接
PyPIpyopengl3.1.10间接
PyPIpyparsing3.0.9间接
PyPIpypinyin0.50.0间接
PyPIpyquaternion0.9.9间接
PyPIpysocks1.7.1间接
PyPIpytest—间接
PyPIpytest7.1.3间接
PyPIpytest8.4.2间接
PyPIpytest-cov5.0.0间接
PyPIpytest-xdist—间接
PyPIpytorch-lightning—间接
PyPIpytorch-lightning1.2.10间接
PyPIpytorch-lightning2.6.0间接
PyPIpyyaml6.0.2间接
PyPIqai-hub—间接
PyPIqai-hub0.49.0间接
PyPIrasterio1.4.3间接
PyPIrequests-toolbelt1.0.0间接
PyPIresampy0.4.3间接
PyPIretry0.9.2间接
PyPIrfdetr1.6.5间接
PyPIruamel-yaml0.18.10间接
PyPIruamel-yaml0.19.1间接
PyPIsacremoses0.2.0间接
PyPIsafetensors0.6.2间接
PyPIschema0.7.5间接
PyPIscikit-image—间接
PyPIscikit-image0.22.0间接
PyPIscikit-learn—间接
PyPIscipy—间接
PyPIseaborn0.13.2间接
PyPIsegment-anything1.0间接
PyPIselenium4.36.0间接
PyPIselenium4.5.0间接
PyPIsentencepiece0.2.1间接
PyPIsentencepiece0.2.2间接
PyPIsetuptools—间接
PyPIsetuptools-scm—间接
PyPIshapely2.1.2间接
PyPIsilero-vad6.2.1间接
PyPIsniffio1.3.0间接
PyPIsortedcontainers2.4.0间接
PyPIsounddevice0.5.2间接
PyPIsoundfile—间接
PyPIsoundfile0.13.1间接
PyPIsoundfile0.14.0间接
PyPIspconv2.3.8间接
PyPIsupervision0.25.1间接
PyPItabulate0.9.0间接
PyPItensorboard2.13.0间接
PyPItflite2.18.0间接
PyPIthop0.1.1.post2209072238间接
PyPItimm1.0.14间接
PyPItimm1.0.15间接
PyPItimm1.0.28间接
PyPItomli2.0.1间接
PyPItorch—间接
PyPItorch2.10.0间接
PyPItorch2.4.1间接
PyPItorch2.6.0间接
PyPItorch2.9.0间接
PyPItorchaudio—间接
PyPItorchaudio2.4.1间接
PyPItorchaudio2.9.0间接
PyPItorchcodec—间接
PyPItorchmetrics—间接
PyPItorchmetrics1.4.0.post0间接
PyPItorchpack0.3.1间接
PyPItorchvision—间接
PyPItorchvision0.19.1间接
PyPItorchvision0.21.0间接
PyPItorchvision0.24.0间接
PyPItorchvision0.25.0间接
PyPItransformers—间接
PyPItransformers4.45间接
PyPItransformers4.45.0间接
PyPItransformers4.51.0间接
PyPItransformers4.51.3间接
PyPItransformers4.56.2间接
PyPItransformers4.57.6间接
PyPItransformers5.7.0间接
PyPItransformers5.9.0间接
PyPItrimesh2.35.39间接
PyPItrio0.22.0间接
PyPItrio-websocket0.9.2间接
PyPItriton3.5.1间接
PyPItxtsplit1.0.0间接
PyPItypes-aiofiles25.1.0.20251011间接
PyPItypes-pillow10.2.0.20240213间接
PyPItypes-protobuf—间接
PyPItypes-pyyaml6.0.12间接
PyPItypes-requests2.31.0.6间接
PyPItypes-tabulate0.9.0.20240106间接
PyPItyping-extensions—间接
PyPIultralytics8.4.45间接
PyPIunidecode1.3.7间接
PyPIunidic1.1.0间接
PyPIunidic-lite1.0.8间接
PyPIurllib31.26.12间接
PyPIwandb0.22.3间接
PyPIwcwidth0.5.3间接
PyPIwebdataset0.2.86间接
PyPIwmi1.5.1间接
PyPIwsproto1.2.0间接
PyPIyacs0.1.8间接
依赖安全公告 39

该仓库未发布可被索引解析的包，因此评估的是其自身的依赖图——共 229 个包，其中也包含从不交付的开发与测试版本固定：39 个存在已知公告，0 个为直接依赖。 有 57 个无法评估——没有已解析的版本、生态系统不受支持，或不在所列包清单之内。

软件包版本关系严重程度公告数修复版本
aiohttp3.13.3间接严重563.14.4
gitpython3.1.42间接严重593.1.62
gitpython3.1.49间接严重513.1.62
h110.14.0间接严重20.16.0
imgaug0.4.0间接严重2—
nltk3.9.2间接严重863.10.3
onnx1.17.0间接严重171.22.0
onnx1.18.0间接严重161.22.0
pytorch-lightning1.2.10间接严重132.6.6
torch2.4.1间接严重232.13.0
transformers4.45间接严重445.10.0
transformers4.45.0间接严重445.10.0
transformers4.51.0间接严重305.10.0
transformers4.51.3间接严重305.10.0
transformers4.56.2间接严重155.10.0
transformers4.57.6间接严重115.10.0
accelerate1.12.0间接高2—
accelerate1.2.1间接高2—
certifi2022.9.24间接高82026.10.19
diffusers0.30.2间接高50.38.0
diffusers0.35.2间接高50.38.0
gdown4.7.1间接高25.2.2
geopandas1.1.0间接高21.1.2
gradio6.14.0间接高66.16.0
hydra-core1.3.2间接高41.4.0.dev9
idna3.4间接高43.15
lxml6.0.2间接高26.1.0
pyarrow21.0.0间接高223.0.1
pytorch-lightning2.6.0间接高32.6.6
selenium4.5.0间接高14.14.0
torch2.10.0间接高22.13.0
torch2.6.0间接高242.13.0
torch2.9.0间接高52.13.0
transformers5.7.0间接高45.10.0
transformers5.9.0间接高25.10.0
urllib31.26.12间接高202.8.0
datasets4.1.1间接中25.0.1
pytest7.1.3间接中29.0.3
pytest8.4.2间接中29.0.3

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 qualcomm/ai-hub-models 共享目录标签或生态系统的已检测仓库。 并排阅读 →

95ludwig-ai/ludwigLow-code framework for building custom LLMs, neural networks, and other AI models卓越100onnx/onnxOpen standard for machine learning interoperability卓越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. 卓越100microsoft/onnxruntimeONNX Runtime: cross-platform, high performance ML inferencing and training accelerator卓越98NVIDIA/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.卓越97xorbitsai/inferenceSwap GPT for any LLM by changing a single line of code. Xinference lets you run open-source, speech, and multimodal models on cloud, on-prem, or your laptop — all through one unified, production-ready inference API.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.