Mitos y cuentos de hadas sobre el rendimiento de Python

Resumen principal

• Las ideas comunes sobre el rendimiento de Python, como creer que usar simplemente un compilador JIT o añadir type hints mejorará mucho el rendimiento, son engañosas.
• Los patrones ineficientes de acceso a memoria causados por el tipado dinámico y el modelo de objetos de Python generan los cuellos de botella fundamentales del rendimiento.
• La gestión de memoria es el límite definitivo para mejorar el rendimiento de Python, y sin resolver eso es difícil lograr mejoras reales.
• Como alternativa de largo plazo para resolver estos problemas de fondo, se presentó un nuevo proyecto llamado SPy.

Detalles

Antonio Cuni, desarrollador veterano de PyPy, presentó en EuroPython 2025 una charla titulada "Mitos y cuentos de hadas sobre el rendimiento de Python". Señaló que muchas creencias sobre el rendimiento de Python no coinciden con la realidad.

Según Cuni, un compilador JIT (Just-In-Time) sin duda ayuda a mejorar el rendimiento, pero no es una cura milagrosa. Incluso si el JIT optimiza el código, no puede resolver el problema de fondo de la baja eficiencia de caché, causado por la estructura en memoria de los objetos de Python y por los frecuentes patrones de asignación y liberación de memoria.

Además, explicó que el chequeo estático de tipos (Static Type Checking), muy usado recientemente, tampoco mejora de forma directa el rendimiento de CPython. Los type hints aumentan la claridad del código, pero la naturaleza dinámica de Python sigue siendo un obstáculo para que un compilador JIT use esa información y optimice el código de forma más agresiva.

En conclusión, Cuni enfatizó que el verdadero límite del rendimiento de Python no está en la velocidad del CPU, sino en la gestión de memoria. Presentó SPy como un proyecto en etapa inicial para abordar este problema y planteó la visión de que solo mejorando de raíz el modelo de memoria de Python será posible crear un Python verdaderamente ultrarrápido.