RRepoGEO

REPOGEO 报告 · LITE

microsoft/T-MAC

默认分支 main · commit 7042f8f7 · 扫描时间 2026/6/1 10:16:45

星标 961 · Fork 84

AI 可见性总分
35 /100
亟需修复
品类召回
0 / 2
在所有问题中均未被推荐
规则结果
通过 1 · 警告 1 · 失败 0
客观元数据检查
AI 认识你的名字
3 / 3
直接询问时，AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 microsoft/T-MAC 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • highreadme#1
    Clarify the project's core purpose at the very top of the README

    原因：

    当前
    # T-MAC

<h3 align="center">
    
    <p><a href=https://huggingface.co/1bitLLM/bitnet_b1_58-3B>BitNet</a> on M2-Ultra with T-MAC (LUT-based) vs llama.cpp (dequantization-based)</p>
</h3>
    复制粘贴的修复
    # T-MAC

T-MAC is a high-performance kernel library designed to accelerate low-bit (int1/2/3/4) Large Language Model (LLM) inference on CPUs and NPUs, utilizing lookup tables to eliminate dequantization overhead.

<h3 align="center">
    
    <p><a href=https://huggingface.co/1bitLLM/bitnet_b1_58-3B>BitNet</a> on M2-Ultra with T-MAC (LUT-based) vs llama.cpp (dequantization-based)</p>
</h3>
  • hightopics#2
    Add relevant topics to the repository

    原因：

    复制粘贴的修复
    llm, low-bit, quantization, inference, cpu, npu, acceleration, machine-learning, deep-learning, bitnet
  • mediumhomepage#3
    Add a homepage URL to the repository

    原因：

    复制粘贴的修复
    https://huggingface.co/1bitLLM/bitnet_b1_58-3B

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
0 / 2
0% 的问题里出现了 microsoft/T-MAC
平均排名
—
越小越好。#1 表示首位推荐。
声量占比
0%
在所有被点名的工具中，你占了多少？
头号对手
OpenVINO
在 2 个问题中被推荐 2 次
竞品排行
  1. OpenVINO · 被推荐 2 次
  2. ONNX Runtime · 被推荐 2 次
  3. PyTorch · 被推荐 2 次
  4. TensorFlow Lite · 被推荐 2 次
  5. llama.cpp · 被推荐 1 次
  • 品类问题
    How can I efficiently run highly quantized large language models on standard CPUs or NPUs?
    你：未被推荐
    AI 推荐顺序：
    1. llama.cpp
    2. OpenVINO
    3. ONNX Runtime
    4. MLC LLM
    5. TensorRT-LLM
    6. PyTorch
    7. TensorFlow
    8. TensorFlow Lite

    AI 推荐了 8 个替代方案，却始终没点名 microsoft/T-MAC。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    What are effective techniques to accelerate low-bit LLM inference, especially on edge devices?
    你：未被推荐
    AI 推荐顺序：
    1. NVIDIA Jetson Series
    2. Google Coral Edge TPU
    3. Qualcomm Snapdragon Processors
    4. Intel Movidius Myriad X
    5. PyTorch
    6. TensorFlow Lite
    7. ONNX Runtime
    8. NVIDIA TensorRT
    9. OpenVINO
    10. TVM (Apache TVM)
    11. TinyLlama
    12. MobileBERT
    13. DistilBERT
    14. Phi-2
    15. Phi-3 Mini

    AI 推荐了 15 个替代方案，却始终没点名 microsoft/T-MAC。这就是要补上的差距。

    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    warn

    建议：

  • README presence
    pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

  • Compared to common alternatives in this category, what is the core differentiator of microsoft/T-MAC?
    pass
    AI 明确点名了 microsoft/T-MAC

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • If a team adopts microsoft/T-MAC in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 microsoft/T-MAC

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • In one sentence, what problem does the repo microsoft/T-MAC solve, and who is the primary audience?
    pass
    AI 明确点名了 microsoft/T-MAC

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 microsoft/T-MAC 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN（README）
[![RepoGEO](https://repogeo.com/badge/microsoft/T-MAC.svg)](https://repogeo.com/zh/r/microsoft/T-MAC)
HTML
<a href="https://repogeo.com/zh/r/microsoft/T-MAC"><img src="https://repogeo.com/badge/microsoft/T-MAC.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

microsoft/T-MAC — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5，轻量 2
  • 优先行动项8，轻量 3