Le JIT de Python 3.15 retrouve sa trajectoire

• Le compilateur JIT de CPython a atteint des performances 11 à 12 % plus rapides sur macOS AArch64 et 5 à 6 % sur Linux x86_64, atteignant son objectif plus tôt que prévu
• Dans les versions 3.13 à 3.14, le JIT était plus lent que l’interpréteur, mais les performances se sont nettement améliorées grâce à un développement piloté par la communauté et à des améliorations structurelles
• Des essais expérimentaux comme le trace recording et l’élimination du comptage de références (reference count elimination) ont constitué des points de bascule majeurs
• Des contributeurs clés comme Savannah Ostrowski, Mark Shannon, Diego Russo, Brandt Bucher ainsi que de nombreux nouveaux participants ont collaboré
• Ce résultat montre que le développement mené par la communauté et une culture de collaboration peuvent avoir un effet concret sur l’amélioration des performances dans l’open source

---

État des progrès des performances du JIT de CPython

• Sur macOS AArch64, les performances sont 11 à 12 % plus rapides, et sur Linux x86_64 5 à 6 % plus rapides
  • Les mesures sont basées sur la moyenne géométrique, et selon les benchmarks les résultats vont de 20 % plus lent à plus de 100 % plus rapide
  • La prise en charge du free-threading n’est pas encore terminée, avec un objectif pour les versions 3.15/3.16
• Dans les versions 3.13 à 3.14, le JIT était plus lent que l’interpréteur, mais cette version obtient une amélioration de vitesse significative

Un développement du JIT centré sur la communauté

• Après l’arrêt du principal financement de l’équipe Faster CPython en 2025, le projet est passé à un modèle de développement piloté par la communauté
  • Objectif : +5 % en 3.15, +10 % en 3.16, ainsi que la prise en charge du free-threading
  • Pour réduire le bus factor, chaque étape (front-end, middle-end, back-end) compte au moins deux mainteneurs
• Les problèmes complexes ont été découpés pour encourager la participation de nouveaux contributeurs
  • Brandt Bucher a séparé les tâches via des « mega-issues »
  • 11 contributeurs ont transformé les instructions de l’interpréteur pour les rendre plus favorables aux optimisations du JIT
• Une culture d’encouragement des contributions et de partage des réussites a aidé à maintenir la participation
  • Résultat : les performances sur Linux x86_64 sont passées de 1 % à 3~4 % d’amélioration

Principaux tournants techniques

Trace recording

• Lors du sprint cœur de CPython, transition vers un front-end basé sur le tracing
  • Au départ, c’était 6 % plus lent, mais l’introduction d’une architecture dual dispatch a amélioré les performances
  • Cela a permis de préserver la vitesse de l’interpréteur de base tout en limitant l’augmentation de sa taille
• L’introduction du trace recording a entraîné une hausse de 50 % de la couverture du code JIT, améliorant ensuite l’efficacité des optimisations

Élimination du comptage de références

• Inspirée des travaux d’optimisation du bytecode de Matt Page
  • La suppression des branches provoquées par la décrémentation du comptage de références a amélioré les performances
  • Même la suppression d’une seule branche a montré un effet de réduction du coût cumulé
• La technique se parallélise facilement et a été utilisée pour former de nouveaux contributeurs comme exercice d’apprentissage de l’architecture du JIT

Infrastructure et composition de l’équipe

• Savannah Ostrowski exploite une infrastructure de mesure des performances du JIT avec quatre machines
  • Les résultats d’exécution quotidiens du JIT permettent de détecter tôt les régressions de performance
• Diego Russo s’est chargé du JIT pour le matériel ARM et de l’amélioration de la compatibilité avec le profiler
• Brandt Bucher a posé les bases du back-end de code machine, réduisant la barrière d’entrée pour les nouveaux contributeurs

Collaboration et partage des connaissances

• Les conseils de CF Bolz-Tereick à propos de PyPy ont amélioré la compréhension de la conception du JIT
• Les échanges avec des experts des compilateurs comme Max Bernstein ont apporté une motivation continue et une progression technique
• L’expérience acquise en analysant le code de PyPy a contribué à améliorer la qualité du JIT de CPython

Conclusion

• Le JIT de Python 3.15 est le résultat combiné de la collaboration communautaire, des expérimentations techniques et de l’amélioration de l’infrastructure
• Il démontre que les personnes, la chance et une culture de collaboration sont les moteurs essentiels de l’innovation en performance dans l’open source