Python 3.13 的 JIT 编译器来了，性能真的提升了吗

Python 性能一直被吐槽，这次 3.13 带来了实验性的 JIT（Just-In-Time）编译器，号称能大幅提升执行速度。作为一个写了 6 年 Python 的人，我赶紧测试了一下。 ## 测试环境 - MacBook Pro M2, 16GB RAM - Python 3.12.5 vs Python 3.13 (with JIT enabled) - 测试项目：数值计算、字符串处理、Web 请求处理 ## 数值计算 ```python # 斐波那契递归 def fib(n): if n < 2: return n return fib(n - 1) + fib(n - 2) fib(35) ``` - Python 3.12: 2.31s - Python 3.13 JIT: 1.89s - **提升: 18%** 还行，但没有想象中那么炸裂。 ## 字符串处理 ```python # 百万行日志解析 for line in lines: parts = line.split('|') timestamp = datetime.strptime(parts[0], '%Y-%m-%d %H:%M:%S') level = parts[1].strip() message = parts[2].strip() ``` - Python 3.12: 4.5s - Python 3.13 JIT: 4.1s - **提升: 9%** 字符串处理的提升不太明显，因为这些操作本身就是 C 层实现的，JIT 能优化的空间不大。 ## Web 请求处理 (FastAPI) 用 wrk 压测一个简单的 JSON 接口： - Python 3.12: 8,200 req/s - Python 3.13 JIT: 8,900 req/s - **提升: 8.5%** Web 场景提升最小，因为大部分时间花在 IO 等待上，CPU 计算只占一小部分。 ## 总结 JIT 带来的提升在 **8-20%** 之间，纯 CPU 计算密集型场景最明显。这个数字跟官方说的 "5-10% average improvement" 基本吻合。 说实话，如果你期待 Python 突然变得跟 Go 一样快，那肯定要失望。但作为一个免费的升级（只要更新 Python 版本），8-20% 的提升还是值得的。 更重要的是，JIT 在 3.13 还是实验性的，后续版本会继续优化。这是 Python 性能进化的第一步，不是终点。对于性能敏感的 Python 项目，现在更务实的选择还是用 Cython、Numba 或者干脆用 Rust 写性能关键的模块。