El JIT de Python 3.15 vuelve a encaminarse

(fidget-spinner.github.io)

1 puntos por GN⁺ 2026-03-18 | Aún no hay comentarios. | Compartir por WhatsApp

El compilador JIT de CPython logró un rendimiento 11~12% más rápido en macOS AArch64 y 5~6% en Linux x86_64, alcanzando su objetivo antes de lo previsto
En las versiones 3.13~3.14, el JIT era más lento que el intérprete, pero el desarrollo centrado en la comunidad y las mejoras estructurales elevaron significativamente el rendimiento
Intentos experimentales como trace recording y reference count elimination fueron puntos de inflexión clave
Colaboraron contribuyentes clave como Savannah Ostrowski, Mark Shannon, Diego Russo y Brandt Bucher, junto con muchos nuevos participantes
Este resultado muestra que el desarrollo impulsado por la comunidad y una cultura de colaboración pueden generar efectos reales en la mejora de rendimiento del software de código abierto

Estado de las mejoras de rendimiento del JIT de CPython

Se registró un rendimiento 11~12% más rápido en macOS AArch64 y 5~6% en Linux x86_64
- Las mediciones se basan en media geométrica, y en algunos benchmarks la variación va desde 20% más lento hasta más de 100% más rápido
- El soporte para free-threading todavía no está completo, con objetivo para las versiones 3.15/3.16
El JIT de las versiones 3.13~3.14 era más lento que el intérprete, pero en esta versión logró una mejora de velocidad significativa

Tras el fin del patrocinio principal del equipo Faster CPython en 2025, se pasó a un modelo de desarrollo liderado por la comunidad
- Objetivos: mejora de 5% en 3.15, mejora de 10% en 3.16 y soporte para free-threading
- Para reducir el bus factor, se aseguró contar con al menos dos mantenedores en cada etapa (frontend, middle-end y backend)
Se dividieron problemas complejos en partes más pequeñas para fomentar la participación de nuevos contribuyentes
- Brandt Bucher separó las unidades de trabajo mediante “mega-issues”
- 11 contribuidores transformaron instrucciones del intérprete para que fueran más favorables a la optimización JIT
Una cultura de incentivo a las contribuciones y de compartir los logros ayudó a sostener la participación
- Como resultado, el rendimiento en Linux x86_64 mejoró de 1% a 3~4%

En el core sprint de CPython se hizo la transición a un frontend basado en tracing
- Al principio era 6% más lento, pero el rendimiento mejoró con la introducción de una estructura de dual dispatch
- Se mantuvo la velocidad del intérprete base minimizando al mismo tiempo el aumento en el tamaño del intérprete
La introducción de trace recording aumentó en 50% la cobertura de código JIT, mejorando después la eficiencia de optimización

Inspirado en el trabajo de optimización de bytecode de Matt Page
- Mejoró el rendimiento al eliminar las ramas (branches) que aparecen al disminuir el conteo de referencias
- Se confirmó que incluso eliminar una sola rama reduce el costo acumulado
Es fácil de paralelizar y se usó para formar a nuevos contribuyentes como tarea de aprendizaje de la estructura del JIT

Savannah Ostrowski opera una infraestructura de medición de rendimiento del JIT con 4 máquinas
- Los resultados diarios de ejecución del JIT permiten detectar temprano regresiones de rendimiento
Diego Russo estuvo a cargo de mejorar el JIT para hardware ARM y la compatibilidad con perfiles/profilers
Brandt Bucher construyó la base del backend de código máquina, reduciendo la barrera de entrada para nuevos contribuidores

Los consejos de CF Bolz-Tereick sobre PyPy ayudaron a mejorar la comprensión del diseño del JIT
El intercambio con expertos en compiladores como Max Bernstein aportó motivación continua y crecimiento técnico
La experiencia analizando el código de PyPy contribuyó a mejorar la calidad del JIT de CPython

El JIT de Python 3.15 es el resultado de combinar colaboración comunitaria, experimentación técnica y mejoras de infraestructura
Demuestra que las personas, la suerte y una cultura de colaboración son la fuerza clave detrás de la innovación en rendimiento dentro del código abierto