Der JIT in Python 3.15 kommt wieder auf Kurs

(fidget-spinner.github.io)

1 Punkte von GN⁺ 2026-03-18 | Noch keine Kommentare. | Auf WhatsApp teilen

Der JIT-Compiler von CPython erreicht 11–12 % mehr Leistung auf macOS AArch64 und 5–6 % auf x86_64 Linux und erfüllt damit das Ziel früher als geplant
In den Versionen 3.13–3.14 war der JIT langsamer als der Interpreter, doch durch community-getriebene Entwicklung und strukturelle Verbesserungen wurde die Leistung deutlich gesteigert
Experimentelle Ansätze wie Trace Recording und Reference Count Elimination waren wichtige Wendepunkte
Zentrale Mitwirkende wie Savannah Ostrowski, Mark Shannon, Diego Russo, Brandt Bucher und viele neue Beteiligte arbeiteten gemeinsam daran
Das Ergebnis zeigt, dass community-getriebene Entwicklung und eine Kultur der Zusammenarbeit Open-Source-Leistung real verbessern können

Aktueller Stand der CPython-JIT-Leistungsverbesserung

Auf macOS AArch64 wurde eine um 11–12 %, auf x86_64 Linux eine um 5–6 % höhere Leistung gemessen
- Die Werte basieren auf dem geometrischen Mittel; je nach Benchmark reicht die Spanne von 20 % langsamer bis über 100 % schneller
- Die Unterstützung für free-threading ist noch nicht abgeschlossen und ist für die Versionen 3.15/3.16 vorgesehen
In den Versionen 3.13–3.14 war der JIT langsamer als der Interpreter, in dieser Version wurde nun jedoch eine spürbare Beschleunigung erreicht

Nach dem Ende der wichtigsten Förderung des Faster-CPython-Teams im Jahr 2025 wurde auf ein community-getriebenes Entwicklungsmodell umgestellt
- Ziel: 5 % Verbesserung in 3.15, 10 % Verbesserung in 3.16 sowie Unterstützung für free-threading
- Um den Bus-Faktor zu senken, wurden für jede Phase (Frontend, Middle-End, Backend) mindestens zwei Maintainer vorgesehen
Komplexe Probleme wurden in kleinere Teile zerlegt, um neue Mitwirkende einzubinden
- Brandt Bucher teilte Arbeitseinheiten über „mega-issues“ auf
- 11 Mitwirkende wandelten Interpreter-Instruktionen so um, dass sie JIT-Optimierungen besser unterstützen
Eine Kultur der Ermutigung zu Beiträgen und des Teilens von Erfolgen trug dazu bei, dass Beteiligte dauerhaft aktiv blieben
- Dadurch verbesserte sich die Leistung auf x86_64 Linux von 1 % auf 3–4 %

Beim CPython Core Sprint erfolgte die Umstellung auf ein Tracing-basiertes Frontend
- Anfangs war es 6 % langsamer, doch mit der Einführung einer Dual-Dispatch-Struktur verbesserte sich die Leistung
- Dabei blieb die Größe des Interpreters weitgehend unter Kontrolle, während die Grundgeschwindigkeit des Interpreters erhalten blieb
Durch die Einführung von Trace Recording stieg die JIT-Code-Abdeckung um 50 %, was spätere Optimierungen effizienter machte

Der Ansatz entstand aus Matt Pages Arbeit an Bytecode-Optimierungen
- Durch das Entfernen von Branches, die beim Dekrementieren von Referenzzählern entstehen, wurde die Leistung verbessert
- Schon das Entfernen eines einzelnen Branches zeigte einen kumulativen Nutzen bei den Kosten
Die Arbeit lässt sich gut parallelisieren und wurde als Lernaufgabe für neue Mitwirkende genutzt, um die JIT-Struktur kennenzulernen

Savannah Ostrowski betreibt mit vier Maschinen eine Infrastruktur zur Messung der JIT-Leistung
- Tägliche JIT-Läufe ermöglichen die frühe Erkennung von Leistungsregressionen
Diego Russo ist für den JIT auf ARM-Hardware und die Verbesserung der Profiler-Kompatibilität zuständig
Brandt Bucher baute die Grundlage des Machine-Code-Backends auf und senkte damit die Einstiegshürde für neue Mitwirkende

Ratschläge von CF Bolz-Tereick zu PyPy verbesserten das Verständnis des JIT-Designs
Der Austausch mit Compiler-Expert:innen wie Max Bernstein sorgte für anhaltende Motivation und technisches Wachstum
Erfahrungen aus der Analyse des PyPy-Codes trugen zur Verbesserung der Qualität des CPython-JIT bei

Der JIT in Python 3.15 ist das Ergebnis aus Zusammenarbeit in der Community, technischen Experimenten und verbesserter Infrastruktur
Menschen, Glück und eine Kultur der Zusammenarbeit erweisen sich als zentrale Triebkräfte für Leistungsinnovationen in Open Source