今週の注目OSS

TypeScriptを型検査し、静的コンパイル・埋め込みJS実行・理由付き拒否の三経路へ分けてネイティブ実行形式を作る
TypeScriptCompilerNativeApache-2.0

scriptc — TypeScriptを段階的にネイティブ実行形式へコンパイル

Vercel Labsのscriptcは、通常のTypeScriptを型検査したうえでネイティブ実行形式へ変換するコンパイラです。静的に変換できない箇所は埋め込みJavaScriptエンジンを使う`--dynamic`か、理由付きの拒否に分け、暗黙に別の意味へ変換しない方針です。Apache-2.0で公開され、最新v0.0.17はWindowsでのCLI実行を修正していますが、まだ0.x系であり、移植前には対象APIと差分テストの範囲を確認する必要があります。

なぜ重要か

型付きJavaScriptの実行境界を明示できれば、配布物のサイズ、起動時間、依存関係を制御しやすくなります。互換性を主張するだけでなく、未対応部分を診断として返す設計は、コンパイラ導入時の検証コストを下げます。

読むべき人
TypeScript基盤担当、CLI開発者、実行環境を最適化したいチーム
GitHub
1670 stars / 27 forks
端末内のセッションログとMCP・テスト証跡を結合し、利用量・推定コスト・作業根拠を確信度付きで表示する
Agent ObservabilityLocal-firstCodexMIT

agentacct — エージェントの利用量と検証済み作業をローカルで結ぶ

agentacctはClaude CodeとCodexが端末へ残すセッションログを読み取り、トークン、推定コスト、タスク、機械的チェックをlocalhostのダッシュボードへ結びます。値はクライアント報告・推定・エージェント報告を区別し、結合できない場合に推測で埋めないことを明記します。MITライセンスの最初の公開alphaで、Python 3.11以上、macOS/LinuxまたはWSLが必要です。

なぜ重要か

AI開発の費用や成果を議論するには、token数だけでなく、どの変更とテストに対応する記録かが必要です。証拠の強さをデータモデルへ持ち込むと、可視化が過度な監視や誤ったコスト配賦になるのを抑えられます。

読むべき人
開発生産性チーム、AIエージェント利用者、エンジニアリング管理者
GitHub
468 stars / 4 forks
routerの偏りを観測し、冗長expertを事前取得して各GPUの受信token数を固定化する
MoEExpert ParallelismGPUMIT

MoonEP — 動的な冗長expertでMoE通信の負荷偏りを均す

MoonEPは、Mixture-of-Expertsのexpert parallelismでroutingが偏ってもrankごとの受信token数を一定に保つ通信ライブラリです。現在のrouter出力から冗長expertを計画して事前取得し、固定形状のbufferとゼロコピーのdispatch/combineを目指します。MITライセンスで実装・tests・benchmarksは確認できますが、公開commitはまだ少なくGitHub Releasesもないため、性能主張はH20・EP=8というREADME内の比較条件を超えて一般化できません。

なぜ重要か

MoEでは平均スループットよりrouter由来のtail latencyとメモリ断片化が効きます。通信計画とshape安定化を一体で扱う実装は、大規模推論・学習基盤のボトルネック分析に新しい比較軸を与えます。

読むべき人
分散学習・推論基盤担当、MoE研究開発者、GPUクラスタ運用者
GitHub
358 stars / 36 forks
外部モニターごとのHiDPI・明るさ・配置・色設定を、権限を必要な機能に限定してメニューバーから管理する
macOSDisplaySwiftMIT

Crisp — macOSの外部ディスプレイ設定をメニューバーから一元化

Crispは外部ディスプレイのHiDPI解像度、DDCまたはソフトウェアによる明るさ、配置、色、presetをmacOSネイティブUIへまとめるSwift製アプリです。MITライセンスで、Homebrew caskまたはDMGから導入できます。macOS 15以降が必要で、HiDPI有効化の初回にはシステム領域へoverrideを置くため管理者パスワード、明るさキーの転送にはアクセシビリティ権限が必要です。

なぜ重要か

開発用の周辺機器設定も再現可能な作業環境の一部です。ハードウェア制御、OS保護領域、アクセシビリティ権限を分離して説明することで、便利な常駐ツールを安全に評価しやすくなります。

読むべき人
macOS開発者、外部ディスプレイ利用者、IT管理者
GitHub
391 stars / 13 forks
PyTorch・TensorFlow・JAXのモデルを変換・最適化し、端末のGPU/NPUでLiteRT runtimeから実行する
On-device AIML RuntimeNPUApache-2.0

LiteRT — 端末内MLと生成AIをGPU・NPUへ配備する実行基盤

GoogleのLiteRTはTensorFlow Liteを継承するオンデバイスML・生成AI向けruntimeで、PyTorch、TensorFlow、JAXのモデル変換、C++/Kotlin/JavaScriptなどからの実行、GPU/NPU利用を扱います。Apache-2.0で公開され、v2.1.6ではC APIのheader-only化、ARMv7 prebuilt、accelerator test suiteの拡張が含まれます。対応アクセラレータやモデル変換経路は環境依存のため、READMEの一般的な性能表現ではなく対象端末・delegate・モデルごとの測定が必要です。

なぜ重要か

クラウド推論だけでは満たせない遅延、接続性、データ所在の要件に対し、端末内runtimeの品質が製品体験を左右します。変換、最適化、実行、アクセラレータ検証を分断せず評価できることが重要です。

読むべき人
モバイル・エッジML開発者、組込み担当、オンデバイスAI基盤担当
GitHub
3214 stars / 412 forks