我在 Python 3.15 上重新运行了 Python 3.14 的 JIT 基准测试

王者归来已是老翁AI 前沿📡 BestBlogs·AI高分精选⭐ 862026-10-17145 阅读💛 237 收藏
我在 Python 3.15 上重新运行了 Python 3.14 的 JIT 基准测试

📌 One-Sentence Summary

在 Python 3.15 上重新运行同样的三个 Python 基准测试显示,重建的 JIT 将 Mandelbrot 耗时缩短了 53.5%,Levenshtein 缩短了 10.4%,但 Dijkstra 仍然没有受益,因此启用 JIT 仍然取决于具体工作负载。

📝 Summary

作者在 Python 3.14 和 3.15 上分别以开启和关闭 JIT 的方式重新运行了三个纯 Python 工作负载(Mandelbrot、Dijkstra、Levenshtein 批处理),以将新 JIT 的效果与其他解释器改进区分开来。Python 3.15 的 JIT 用追踪前端取代了 3.14 的路径预测方法,增加了寄存器分配和常量传播,并减少了引用计数操作。结果显示,Mandelbrot 从 5.25 秒降至 2.471 秒(JIT 增益 53.5%),Levenshtein 从 1.676 秒降至 1.385 秒(10.4%),而 Dijkstra 基本没有变化(0.241 秒对 0.202 秒,JIT 增益 -1.6%)。文章包含完整的基准测试代码,解释了四种配置的方法论,并提醒结果因工作负载而异,且 JIT 仍处于实验阶段并默认关闭。

💡 Main Points

Python 3.15 的 JIT 在计算密集型循环上带来大幅加速,但在分配密集型代码上并非如此。

在 3.15 中,开启 JIT 相比关闭时 Mandelbrot 提升了 53.5%,而 Dijkstra 的变化为 -1.6%,这证实 JIT 有助于重复性的数值 Python 工作,但对以对象分配和 C 层调用为主的工作负载没有帮助。

比较 3.14 和 3.15 需要四种配置,以将解释器增益与 JIT 增益区分开来。

Python 3.15 包含非 JIT 的改进,例如 Windows 上的尾调用解释器,因此作者分别测量了 3.14 关闭/开启和 3.15 关闭/开启;3.15 JIT 增益列单独隔离了 JIT 自身的贡献。

3.15 的 JIT 在架构上与 3.14 不同,采用追踪技术和更强的优化器。

3.15 不再预测字节码路径,而是记录实际执行的路径,使更多控制流能够被编译;它还增加了寄存器分配、常量传播,并减少了引用计数操作。

基准测试方法论控制了噪声和正确性。

每个样本在全新进程中运行,配置顺序随机打乱,校验和验证输出,并报告十次运行的中位数,以避免系统中断造成的失真。

💬 Key Quotes

同样的三个工作负载显示出更强的 JIT,但它仍然不能帮助每一个程序

梯度告诉你从你站立的地方哪个方向是上坡,而对远处一座更高的山一无所知。

3.15 JIT 增益列比较的是 3.15 自身 JIT 关闭与开启的情况。这是评判 JIT 本身最清晰的方式。

📊 Article Meta

AI Screening: 86

Source: Towards Data Science

Author: Thomas Reid

Category: 软件编程

Language: 英文

Read Time: 12 min

Word Count: 2977

Tags:

编程与工程 , 编程语言 , Python , 可观测性 , JIT 编译器

#编程与工程# 编程语言# Python# 可观测性# JIT 编译器

文章评论(12)

空向阳29 天前

内容翔实,正好需要,先收藏再看。

回复
风倚栏29 天前

写得挺用心的,支持一下。

回复
逐光而行29 天前

内容翔实,正好需要,先收藏再看。

回复
吴超29 天前

这个比较实用,已转发给同事。

回复
黄小刚29 天前

刚好最近在找这方面的资料,太及时了。

回复
逐光而行29 天前

这个比较实用,已转发给同事。

回复
雪影29 天前

写得挺用心的,支持一下。

回复
星观澜29 天前

写得挺用心的,支持一下。

回复
一叶知秋29 天前

实测过类似工具,作者说的基本属实。

回复
杨丽华29 天前

有没有更详细的教程,期待后续。

回复
一叶知秋29 天前

收藏了,以后慢慢研究。

回复
陈皮话梅糖29 天前

整理得太全面了,省了我不少时间。

回复