Python 性能为什么总被吐槽？这几年它到底变快了多少？

Python 多年来一直受到性能方面的批评。

与 C、C++、Rust 以及其他编译型语言相比，CPython 在 CPU 密集型工作负载下确实可能慢很多。Global Interpreter Lock（GIL）、动态类型、对象分配以及解释器开销，长期以来限制了纯 Python 代码的执行速度。

但近年来，Python 的性能情况已经发生了明显变化。

从 Python 3.11 开始，CPython 开发团队将解释器性能作为重点工作。Faster CPython 项目引入了一系列改进，目标是降低解释器开销、对频繁执行的操作进行专门化、改善启动时间，并最终引入 JIT 编译。

所以，现在有趣的问题已经不再只是：

“Python 慢吗？”

更好的问题是：

“Python 到底变快了多少？”

Python 3.11 是一个重要转折点

Python 3.11 于 2022 年 10 月发布，是近年来 Python 最重要的性能版本之一。

根据 Python 官方文档，在 pyperformance 基准测试套件中，CPython 3.11 平均比 Python 3.10 快约 25%。

根据不同工作负载，性能提升大约在 10% 到 60% 之间。

这些提升来自大量解释器层面的优化，而不是某一个单独的技巧。

其中一个最重要的变化是 PEP 659，它引入了 specializing adaptive interpreter。

基本思路其实比较直接。

Python 是动态语言，但很多操作在运行时其实具有很强的可预测性。

例如，如果一段代码反复对两个整数执行加法，解释器并不一定需要每次都把它当成完全未知的操作处理。它可以观察实际发生的情况，并针对实际遇到的类型对执行路径进行专门化。

Python 3.11 还改变了 Python 函数调用在内部的处理方式。许多 Python-to-Python 调用可以避免一部分传统的 C stack 开销。

结果是，普通 Python 代码执行时可以承担更少的解释器开销。

启动性能也得到了改善。核心模块通过冻结和静态分配等方式，减少了 Python 启动过程中需要完成的工作。Python 官方文档显示，Python 3.11 的启动速度提升大约为 10–15%。

这是一个重要的方向变化。

Python 3.12 继续进行优化

Python 3.12 没有带来又一次全面的 25% 性能提升，但它继续改善了特定工作负载。

其中一个比较有意思的优化来自 PEP 709，它对 list、dictionary 和 set comprehensions 进行了内联。

此前，推导式需要创建独立的 code object 和 frame。Python 3.12 可以在外围代码中更直接地执行推导式。

对于 PEP 中描述的推导式专用微基准测试，实现速度接近 2 倍。

一个大量使用推导式的、更贴近实际的基准测试显示，性能提升约为 11%。

这里有一个重要区别。

某个基准测试显示某项操作快了 2 倍，并不意味着整个 Python interpreter 快了 2 倍。

真实应用包含很多不同的操作，而某一项特定优化只能影响其中一部分执行过程。

Python 3.12 还加入了许多其他性能改进。官方发布文档估计，这些优化综合起来带来了约 5% 的整体性能提升。

因此，Python 的性能提升越来越多地来自大量相对较小的优化逐步累积。

Python 3.13 开始向 JIT 迈进

Python 3.13 又向前迈出了重要一步。

它通过 PEP 744 引入了实验性的 JIT compiler。

不过，需要正确理解这意味着什么。

Python 3.13 并没有突然变成一种与那些长期依赖 JIT 编译的语言类似的 JIT-compiled language。

JIT 仍然处于实验阶段，并且默认关闭。官方文档描述的初始性能提升比较有限，同时预计未来 Python 版本会继续改善它。

它的架构同样值得关注。

Python 3.13 引入了 Tier 2 intermediate representation，以及最终可以将经过优化的 Python 执行过程转换为 machine code 的处理流程。

简单来说，解释器现在可以经过这样的阶段：

Python code → bytecode → specialized execution → intermediate representation → machine code

JIT 主要针对 hot paths，而 cold code 仍然可以继续通过解释器执行。这为未来的优化提供了基础。

与此同时，Python 3.13 引入了实验性的 free-threaded CPython，可以关闭 GIL。

这还有另外一个重要意义。

过去，GIL 阻止单个 CPython 进程中的多个线程同时执行 Python bytecode。Free-threaded builds 移除了这一限制，使 Python threads 可以在多个 CPU cores 上并行执行。

但这也存在代价。

Python 官方文档显示，与正常的 GIL-enabled build 相比，Python 3.13 的 free-threaded build 在 pyperformance 套件上的开销约为 40%。项目预计未来会继续降低这一开销。

此外，移除 GIL 并不会自动让现有的多线程程序变得更快，也不会自动让它们具备线程安全性。应用代码和第三方库仍然需要正确处理同步以及共享状态的访问。

因此，Python 3.13 的 free-threading 应该被看作一个重要的架构里程碑，而不能简单理解为免费的性能提升。

Python 3.14 仍在继续推动性能提升

Python 3.14 延续了这一方向。

其中一个值得注意的变化，是新的 interpreter implementation 使用实现各个 Python opcode 的小型 C functions 之间的 tail calls。

这是 C 层 interpreter 实现中的内部优化。它并没有为 Python 增加尾调用优化（TCO）；Python 源代码本身仍然不会自动进行尾递归优化。

初步基准测试显示，在支持的平台和配置上，标准 pyperformance 套件取得了 3–5% 的几何平均性能提升。

Free-threaded CPython 也有了明显改善。

Python 3.14 在 free-threaded mode 中启用了 specializing adaptive interpreter，并加入了其他优化。根据官方文档，其单线程性能开销现在约为 5–10%，具体取决于平台和 compiler。

与 Python 3.13 报告的约 40% 开销相比，这是一个明显的变化。

实验性的 JIT 也在继续发展。

目标并不是一夜之间替换掉 interpreter，而是构建一个多层执行系统，让 cold code 付出较少的执行成本，同时对真正变成 hot 的代码应用更激进的优化。

那么，现在 Python 到底快了多少？

没有一个单独的数字可以准确回答这个问题。

不同基准测试会得到不同结果，而且不同 Python 版本的性能提升也不能简单相加。

不过，我们仍然可以看到一个比较清晰的整体趋势。

Python 3.11 在标准 pyperformance 套件上平均比 Python 3.10 提升约 25%，不同工作负载的提升达到 10–60%。

Python 3.12 又加入了一系列优化，官方文档估计整体提升约为 5%。

Python 3.13 在继续优化 interpreter 的同时，引入了实验性的 JIT 和 free-threading 能力。

Python 3.14 继续改善 interpreter、JIT infrastructure 和 free-threaded execution。CPython 核心开发者 Ken Jin 在 2025 年的一次讨论中提到，在部分基准测试和工作负载中，Python 3.14 相比 Python 3.10 有 20–40% 的性能提升。这是一个较宽泛的项目级比较，并不代表所有应用都能获得这样的加速，也不是全局平均值。

重要的是，Python 并没有突然变得和 C++ 或 Rust 一样快。

但它们之间的性能差距已经不再是静态的。

Python 正在以另一种方式变快

最大的变化可能并不是某个具体的百分比。

过去很多年，Python 的性能优化往往意味着将性能关键代码移到 C extensions 中，使用 NumPy、multiprocessing、PyPy 或其他专门的技术。

现在，CPython 自身正在变得更加复杂和高效。

Interpreter 会对常见操作进行专门化。

Compiler 会减少不必要的运行时开销。

Runtime 会改善启动和函数调用。

JIT 为 machine-code execution 提供了路径。

Free-threading 为 Python code 的真正并行执行提供了路径。

这些变化发生在不同层面，并针对不同的性能瓶颈。

这也解释了为什么说“Python 快了 30%”可能会产生误导。

如果一个 Web application 主要消耗在 database queries 上，那么 interpreter 更快可能几乎不会带来收益。

如果一个 numerical workload 主要由 Python loops 实现，那么可能会获得比较明显的收益。

如果一个 application 主要依赖 C extensions，那么它的性能表现可能完全不同。

工作负载仍然很重要。

Python 的性能问题已经发生变化

Python 仍然不是一种 low-level language。

如果主要目标是最大化原始 CPU 性能，那么 C++、Rust 以及类似的 systems languages 仍然是重要选择。

但 CPython 的性能已经有了明显提升，尤其是从 Python 3.11 开始。

更值得关注的是，Python 的性能优化现在正在持续发生在 interpreter 层面。

Python 3.11 带来了重大性能提升。

Python 3.12 继续优化常见的语言结构。

Python 3.13 引入了实验性的 JIT 和 free-threading。

Python 3.14 继续降低 interpreter 开销，并改善 free-threaded execution。

所以，过去那句“Python 很慢”正在变得越来越不完整。

更准确的描述可能是：

Python 仍然需要为它的动态、高级设计付出成本，但 CPython 正在越来越擅长降低这种设计带来的成本。

而接下来的几个 Python 版本会决定这一趋势究竟能够走多远。

以上就是“Python 性能为什么总被吐槽？这几年它到底变快了多少？”的详细内容，想要了解更多Python教程欢迎持续关注编程学习网。