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
内容翔实,正好需要,先收藏再看。
写得挺用心的,支持一下。
内容翔实,正好需要,先收藏再看。
这个比较实用,已转发给同事。
刚好最近在找这方面的资料,太及时了。
这个比较实用,已转发给同事。
写得挺用心的,支持一下。
写得挺用心的,支持一下。
实测过类似工具,作者说的基本属实。
有没有更详细的教程,期待后续。
收藏了,以后慢慢研究。
整理得太全面了,省了我不少时间。