Вышла новая версия эталонной реализации Python - CPython 3.13.
Релиз достаточно интересный.
1. Добавлена экспериментальная поддержка JIT. Давно ожидаемая фича, которая уже имеется в альтернативных реализациях Python - PyPy, Pyston, GraalVM Python и т.д. В первую очередь JIT должен помочь на задачах связанных с обработкой данных и ML.
2. Экспериментальный режим отключения GIL. Если кратко, то в CPython Python код, который работает в потоке будет выполняться все равно последовательно. Говоря проще, то в один момент времени у нас выполняется только один набор Python инструкций. Это защищает от множества проблем возникаемых при параллельных вычислениях, но и ограничивает возможную производительность многопоточных программ.
Эти два пункта направлены на улучшение проблем с производительностью. Но такая ли это проблема? Дело в том, что в CPython изначально применялась парадигма: Python - это просто DSL для C. Там где вам нужен перф - вы должны писать модули на C и удобно интегрировать их вместе. И многие популярные Python библиотеки (например, NumPy) фактически являются библиотеками на C.
Но с другой стороны, такая вот потребность "переписывания" с простого и удобного Python на более сложный C многих раздражала. В конце концов язык Julia появился от мотивации: давайте сделаем Python, который не надо будет переписывать на С. Но и альтернативные реализации Python также искали способы ускорения работы самого интерпретатора.
Так что эти нововведения кажутся логичными и долгожданными.
Релиз достаточно интересный.
1. Добавлена экспериментальная поддержка JIT. Давно ожидаемая фича, которая уже имеется в альтернативных реализациях Python - PyPy, Pyston, GraalVM Python и т.д. В первую очередь JIT должен помочь на задачах связанных с обработкой данных и ML.
2. Экспериментальный режим отключения GIL. Если кратко, то в CPython Python код, который работает в потоке будет выполняться все равно последовательно. Говоря проще, то в один момент времени у нас выполняется только один набор Python инструкций. Это защищает от множества проблем возникаемых при параллельных вычислениях, но и ограничивает возможную производительность многопоточных программ.
Эти два пункта направлены на улучшение проблем с производительностью. Но такая ли это проблема? Дело в том, что в CPython изначально применялась парадигма: Python - это просто DSL для C. Там где вам нужен перф - вы должны писать модули на C и удобно интегрировать их вместе. И многие популярные Python библиотеки (например, NumPy) фактически являются библиотеками на C.
Но с другой стороны, такая вот потребность "переписывания" с простого и удобного Python на более сложный C многих раздражала. В конце концов язык Julia появился от мотивации: давайте сделаем Python, который не надо будет переписывать на С. Но и альтернативные реализации Python также искали способы ускорения работы самого интерпретатора.
Так что эти нововведения кажутся логичными и долгожданными.