RRepoGEO

REPOGEO 报告 · LITE

Efficient-ML/Awesome-Model-Quantization

默认分支 master · commit 69e7fd1d · 扫描时间 2026/6/21 12:38:07

星标 2,394 · Fork 240

本仓库扫描历史

下方为分数趋势（含全部就绪扫描；左旧右新，可横向滚动）。表格明细默认折叠，展开后每页 10 条，最新在上。

分数趋势（左 → 右：旧 → 新）

共 2 条就绪扫描。点击下方按钮展开表格（每页 10 条，可翻页）。

AI 可见性总分
22 /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
1 / 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 Efficient-ML/Awesome-Model-Quantization 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
    Reposition README opening to clarify its 'awesome list' nature

    原因：

    当前
    This repo collects papers, documents, and codes about model quantization for anyone who wants to research it.
    复制粘贴的修复
    This is an **awesome list** and curated collection of papers, documents, and code about model quantization, designed for researchers and practitioners seeking to understand and implement efficient deep learning techniques.
  • highlicense#2
    Add a LICENSE file to the repository

    原因：

    复制粘贴的修复
    Create a `LICENSE` file in the repository root, for example, using the MIT License text, to clearly state the terms of use for the project.
  • mediumhomepage#3
    Set the repository homepage URL

    原因：

    复制粘贴的修复
    Set the repository's homepage URL in the GitHub 'About' section to `https://github.com/Efficient-ML/Awesome-Model-Quantization`.

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 Efficient-ML/Awesome-Model-Quantization
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
TensorFlow Lite
在 2 个问题中被推荐 2 次
竞品排行
  1. TensorFlow Lite · 被推荐 2 次
  2. PyTorch Mobile · 被推荐 1 次
  3. ONNX Runtime · 被推荐 1 次
  4. TensorFlow Model Optimization Toolkit · 被推荐 1 次
  5. NVIDIA's Apex · 被推荐 1 次
  • 品类问题
    How to make deep learning models more efficient for deployment on resource-constrained devices?
    你：未被推荐
    AI 推荐顺序：
    1. TensorFlow Lite
    2. PyTorch Mobile
    3. ONNX Runtime
    4. TensorFlow Model Optimization Toolkit
    5. NVIDIA's Apex
    6. Hugging Face Transformers
    7. DistilBERT
    8. TinyBERT
    9. MobileNetV2
    10. MobileNetV3
    11. EfficientNet
    12. SqueezeNet
    13. OpenVINO Toolkit
    14. Core ML

    AI 推荐了 14 个替代方案，却始终没点名 Efficient-ML/Awesome-Model-Quantization。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    What are the best techniques for compressing neural networks to accelerate inference speed?
    你：未被推荐
    AI 推荐顺序：
    1. TensorFlow Lite
    2. PyTorch (pytorch/pytorch)
    3. ONNX Runtime (microsoft/onnxruntime)
    4. TensorFlow Model Optimization Toolkit (tensorflow/model-optimization)
    5. NVIDIA's cuSPARSE
    6. DeepSparse (neuralmagic/deepsparse)
    7. Distiller (by Intel) (IntelAI/distiller)
    8. Hugging Face Transformers (huggingface/transformers)
    9. TensorFlow (tensorflow/tensorflow)
    10. OpenVINO Training Extensions (openvinotoolkit/training_extensions)
    11. AutoML (Google Cloud)
    12. MMDetection (open-mmlab/mmdetection)
    13. NumPy (numpy/numpy)
    14. NVIDIA TensorRT
    15. Intel OpenVINO Toolkit (openvinotoolkit/openvino)

    AI 推荐了 15 个替代方案，却始终没点名 Efficient-ML/Awesome-Model-Quantization。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 Efficient-ML/Awesome-Model-Quantization?
    pass
    AI 未点名 Efficient-ML/Awesome-Model-Quantization —— 很可能在说另一个项目

    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 Efficient-ML/Awesome-Model-Quantization in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 Efficient-ML/Awesome-Model-Quantization

    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 Efficient-ML/Awesome-Model-Quantization solve, and who is the primary audience?
    pass
    AI 未点名 Efficient-ML/Awesome-Model-Quantization —— 很可能在说另一个项目

    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 Efficient-ML/Awesome-Model-Quantization 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/Efficient-ML/Awesome-Model-Quantization.svg)](https://repogeo.com/zh/r/Efficient-ML/Awesome-Model-Quantization)
HTML
<a href="https://repogeo.com/zh/r/Efficient-ML/Awesome-Model-Quantization"><img src="https://repogeo.com/badge/Efficient-ML/Awesome-Model-Quantization.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

Efficient-ML/Awesome-Model-Quantization — 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