贝叶斯推断计算库
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
LibBi（library for Bayesian inference）是一个用于状态空间模型与贝叶斯推断的开源工具，开发始于 2009 年，最初由 CSIRO 项目推动，并于 2013 年以开源许可证发布。它与 BUGS、JAGS、Stan 这类通用贝叶斯建模工具不同，定位更窄但更专：重点服务状态空间模型，并从一开始就面向并行计算与高性能硬件。
LibBi 的核心方法基于序贯蒙特卡洛（SMC，也称粒子滤波），包括 PMCMC 和 SMC2；此外还提供扩展卡尔曼滤波和部分参数优化例程。它支持多核 CPU、多核 GPU 以及分布式内存集群，适合计算量较大的粒子方法和科研级模型推断。技术组成上，LibBi 包含 C++ 模板库，并提供由 Perl 编写的自有建模语言解析器和编译器。生态方面，文本提到 RBi 包可在 R 中调用 LibBi，也支持通过 Homebrew 安装。
LibBi 在 CSIRO Open Source Software License (GPL) 下发布，该许可证基于 GPL v2 并带有附加条款。抓取文本未提及商业订阅、托管服务或付费支持，因此更接近科研开源软件模式。由于它本身面向本地多核、GPU 和集群环境，天然适合在自有工作站或 HPC 集群中部署运行。
优点是专业方向明确：对状态空间模型、粒子滤波和高性能并行计算有清晰优化目标，适合 Stan 等通用工具不一定高效的 SSM 场景。开源属性也有利于科研复现和方法扩展。缺点是学习门槛较高，用户需要理解 SMC、PMCMC、模型语言和 HPC 环境；同时文本明确指出其用于非状态空间模型时机制仍较初级。版本新闻最近停留在 2019 年，维护活跃度需要进一步核实。
LibBi 适合统计计算、生态环境建模、海洋生物地球化学、不确定性量化等科研场景中的高级用户，不太适合作为通用贝叶斯入门工具。中国访问情况仅凭抓取文本无法判断；若访问站点或安装依赖受网络影响，可考虑 BUGS、JAGS、Stan 等替代方案，但在高性能 SMC 取向上需重新评估匹配度。
本测评基于公开资料整理,不构成购买建议,请以 libbi.org 官网实际信息为准。
科研建模工具，适合统计与HPC研究者。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。