Timber將訓練好的機器學習模型——包括XGBoost、LightGBM、scikit-learn、CatBoost、ONNX（涵蓋樹集成、線性模型、SVM、k-NN、朴素貝葉斯、高斯過程回歸、孤立森林）或URDF機器人描述——通過多遍優化編譯器處理，生成自包含的C99推論程式碼，無需任何運行時依賴。內建的HTTP伺服器（兼容Ollama API）讓你只需一條指令即可部署任何模型。
針對硬體加速或安全關鍵部署，Timber內建的accel後端可生成AVX2/AVX-512/NEON/SVE/RVV SIMD指令、CUDA/Metal/OpenCL GPU代碼、Xilinx/Intel FPGA HLS、以及Cortex-M/ESP32/STM32嵌入式版本，並提供WCET分析、DO-178C/ISO-26262/IEC-62304認證報告、Ed25519簽名、AES-256-GCM加密、隔離部署包，以及ROS 2 / PX4 / gRPC伺服器生成器。所有功能均可透過單一pip安裝獲得。
Timber的推論速度約為單樣本2微秒，較Python版XGBoost快約336倍，生成的推論檔案約48KB，且無任何運行時依賴。
只需指向任意URL，Timber即可自動下載、編譯並部署模型，無需額外設定。也可從本地檔案載入並以名稱提供服務。
Timber專為需要快速、可預測且可攜帶推論的團隊設計：
可直接從URL提供模型服務，無需預先下載；或從本地模型載入並以名稱提供服務。
此外，還能從URDF檔案提供機器人正向運動學服務。
每次安裝timber-compiler時，會同時安裝timber-accel CLI及timber.accel Python套件，無需額外安裝或付費。
Timber提供18種目標配置檔（TOML格式），可直接以名稱載入或指定自訂TOML檔。
完整CLI參考可透過 timber-accel --help 查詢，詳細文件見 docs/accel.md。
安全認證相關功能（WCET、MISRA-C等）為啟發式及正則表達式基礎，僅作為參考。對於安全關鍵認證，建議使用經認證的工具（如LDRA、Polyspace、Astrée、aiT、RapiTime）並由合格的設計負責人獨立驗證。
基準測試於Apple M2 Pro（16GB RAM，macOS）環境下進行，使用XGBoost二元分類器（50棵樹，最大深度4，30個特徵，sklearn breast_cancer資料集），執行1,000次預熱後測量10,000次迭代。
延遲為進程內時間（不含HTTP往返），網路開銷依堆疊不同約增加50至200微秒。
詳細基準方法、硬體捕捉腳本及ONNX Runtime、Treelite、lleaves比較可見 benchmarks/ 資料夾。
Timber伺服器預設在 http://localhost:11434 提供Ollama兼容的REST API。
完整範例程式碼位於 examples/，每個腳本會訓練模型、保存、執行 timber load，並驗證預測結果與原框架一致。
測試套件涵蓋：解析器（sklearn、ONNX、XGBoost、LightGBM、CatBoost、URDF）、中間表示層（序列化、深拷貝、所有階段類型含5個新原語）、優化器通道（正確性、冪等性、管線融合數學）、C99/WASM/MISRA-C/LLVM IR生成器（編譯及數值準確性）、差分隱私（統計正確性、所有資料型態）、timber.accel（WCET分析、SIMD代碼生成、Ed25519簽名、認證報告、SIMD/GPU/HLS目標配置）、以及完整端到端流程。
詳細開發指南請參考 CONTRIBUTING.md。
若在研究或生產中使用Timber，請引用相關技術論文，全文可於 paper/timber_paper.pdf 下載。
如有錯誤或功能需求，請開啟issue；有問題可開始討論。
Timber由Electricsheep Africa開發與維護，若Timber為您的團隊節省工程時間，歡迎支持持續開發。
授權採用Apache-2.0，詳見LICENSE全文。
Timber是經典機器學習模型的Ollama方案，透過AOT編譯器將XGBoost、LightGBM、scikit-learn、CatBoost及ONNX模型轉成原生C99推論代碼，一條指令載入，一條指令服務，推論速度比Python快336倍。