Python 3.14正式发布！它究竟有多快？

最新推荐文章于 2025-10-16 20:09:55 发布

原创最新推荐文章于 2025-10-16 20:09:55 发布 · 1.1w 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#python #开发语言

该文章已生成可运行项目，

编译 | 苏宓

出品 | CSDN（ID：CSDNnews）

三天前，Python 软件基金会（PSF）正式发布了 Python 3.14.0。这是一次里程碑式的更新，带来了多个开发者期待已久的新特性，包括自由线程（支持、子解释器（Subinterpreters）引入、结构化模式匹配增强，以及对异步编程机制的深度优化等。

从功能上看，3.14 的变化可谓诚意十足。但许多开发者最关心的，依然是那句老问题——“它到底有多快？”

为此，软件工程师 Miguel 对新版 Python 进行了一轮非官方性能测试，希望看看这次升级在速度上究竟能带来多大提升。

不过，他也在测试开头就打了“预防针”：

“在我展示结果之前，必须提醒大家，这类基准测试（benchmark）其实很容易产生误导。运行这些测试当然很有趣，但要想仅靠几个简单脚本就准确描绘出像 Python 解释器这样复杂系统的性能全貌，几乎是不可能的。”

Miguel 表示，他设计的测试全部运行纯 Python 代码，刻意避免任何第三方依赖，尤其排除了所有用 C 编写的函数或扩展模块。

这样做的原因很简单：原生 C 代码在不同 Python 版本间的性能变化通常不大，因此加入它们反而会模糊结果。

当然，这样的测试也有明显局限。

现实中的 Python 应用往往是混合体——既包含大量纯 Python 逻辑，也调用 C、C++ 或 Rust 编写的底层模块。

因此，这种“纯 Python 环境”下的基准结果，更像是对解释器性能的“显微镜观察”，并不完全等同于真实场景下的运行表现。

Miguel 也再次强调：

“你可以把这份测试当作一个参考点，但千万别把它当作 Python 性能的最终结论。”

接下来，我们将看看完整的测试。

测试矩阵

这次的基准测试涵盖了一个五维度的测试矩阵，具体如下：

1. 6 个 Python 版本，以及 Pypy、Node.js 和 Rust 的最新版本：

CPython 3.9、3.10、3.11、3.12、3.13、3.14
Pypy 3.11
Node.js 24
Rust 1.90

2. Python 解释器模式（共 3 种）：

Standard（标准模式）
JIT（即时编译模式）：仅适用于 CPython 3.13 及以上版本
Free-threading（自由线程模式）：同样仅适用于 CPython 3.13+

3. 测试脚本（共 2 个）：

fibo.py：用于计算斐波那契数列，重点考察递归性能。
bubble.py：使用冒泡排序算法对随机生成的数字列表进行排序，强调迭代操作但不涉及递归。

4. 线程模式（共 2 种）：

单线程（Single-threaded）
多线程（4 个独立线程同时运行计算任务）

5. 测试设备（共 2 台）：

一台运行 Ubuntu Linux 24.04 的 Framework 笔记本（Intel Core i5 CPU）
一台运行 macOS Sequoia 的 Mac 笔记本（Apple M2 CPU）

你可能会觉得在测试里加入 Node.js 和 Rust 看起来有点奇怪。Miguel 也承认这可能确实有点“跨界”，但他表示，自己将两个 Python 测试脚本应用程序分别移植成了 JavaScript 和 Rust 版本，目的是为了在 Python 生态之外也能得到一组性能参考值，帮助更直观地看清 Python 的表现处于什么水平。

测试脚本

下面是 fibo.py 的主要逻辑：

def fibo(n):    if n <= 1:        return n    else:        return fibo(n-1) + fibo(n-2)

经过多次实验，Miguel 发现使用这段函数计算第 40 个斐波那契数，在他的两台笔记本上大约需要几秒钟。

因此，后续所有测试结果都基于这个参数设置。

接下来是 bubble.py 中的排序函数：

def bubble(arr):    n = len(arr)    for i in range(n):        for j in range(0, n-i-1):            if arr[j] > arr[j+1]:                arr[j], arr[j+1] = arr[j+1], arr[j]    return arr

在这个测试脚本中，Miguel 同样通过多次尝试来确定合适的数组大小，使得整个排序过程能在几秒钟内完成。最终，其选择使用一个包含 1 万个随机生成数字的列表作为测试数据。

需要说明的是，这两个例子并不是高性能代码的示范。如果目标是追求运行速度，还有许多更高效的实现方式。但这次基准测试的目的并非要写出最快的算法，而是要比较不同 Python 解释器执行相同代码的表现差异。

Miguel 解释道，他之所以选用这两个函数，是因为它们在编码风格上形成对比：一个是递归实现（fibo），另一个是迭代实现（bubble），这样能更全面地反映解释器在不同类型代码下的运行特性。

整个基准测试框架会让每个测试函数重复运行三次，并取三次结果的平均值作为最终成绩。

完整的测试脚本及基准测试框架代码已公开在 GitHub 仓库中，感兴趣的小伙伴也可自行查阅：https://github.com/miguelgrinberg/pyspeed。

基准测试 #1：单线程 Fibonacci

接下来来看第一个测试。在这个测试中，Miguel 首先测量了运行 fibo(40) 所需的时间（以秒为单位）。如前所述，每个数据点都是运行三次取平均值。

以下是表格形式的结果数据：

最右侧一列显示的是相对于 Python 3.14 的速度比。如果该列的数值小于 1，说明对应版本的运行速度比 3.14 慢；如果大于 1，则表示它比 3.14 更快。

在计算这些比值时，Miguel 取了 Linux 和 macOS 两个平台结果的平均值，以便得到一个更均衡的参考数据。

有时候，把数据可视化能更直观地看出差异，所以下面是一张图表，用图形方式展示了上面那组数字的对比情况：

从这些结果中，我们能看到什么？

可以很明显地看出，Python 3.14 的性能相比 3.13 有了显著提升——大约提升了 27%。换句话说，3.13 的运行速度大约只有 3.14 的 79%。

此外，结果还显示，Python 3.11 是一个重要的分水岭——从那一版本开始，Python 终于从“非常慢”迈进到“没那么慢”的阶段。

还有一个与 3.14 无关但非常有趣的发现：Pypy 依然让人惊叹。在这次测试中，它的表现略快于 Node.js，而且速度几乎是 Python 3.14 的 5 倍。

非常令人印象深刻——虽然依然比不上 Rust，后者的运行速度果然如预期般，“把所有人都甩在身后”。

JIT 与 Free-Threading 变体

从 Python 3.13 开始，CPython 解释器提供了三种模式：

标准版（Standard）
自由线程版（Free-threading，FT）
即时编译版（Just-In-Time，JIT）

其中，自由线程解释器（FT） 取消了著名的 全局解释器锁（GIL），理论上这能显著提升多线程程序的执行效率。而 JIT 解释器则引入了动态编译机制，可在运行时将部分频繁执行的 Python 代码编译为原生机器码。按理说，这能让重复执行的代码段越跑越快。

上文展示的 3.13 和 3.14 数据，都是基于标准解释器的结果。

那么，在另外两种模式下同样的测试会得出什么呢？在接下来的表格和图表中，可以看到 3.13 与 3.14 在三种解释器模式下的性能对比。

有一点令人失望的是，至少在这个测试中，JIT 解释器并没有带来显著的性能提升。对此，Miguel 不得不反复确认自己是否使用了正确构建、并启用了 JIT 功能的解释器。Miguel 坦言，自己对新 JIT 编译器的内部实现了解不多，但我怀疑它可能无法很好地处理这种高度递归的函数。

至于自由线程（Free-threading），Miguel 称，他早在去年就发现，这种解释器在运行单线程代码时表现偏慢。在 3.14 中，这种模式依然比标准解释器略慢，但差距明显缩小——自由线程的运行速度约为标准解释器的 91%。

基准测试 #2：单线程冒泡排序

接下来是冒泡排序的测试结果，本次排序的对象是包含 1 万个随机数字的数组。

这项测试显示出 Miguel 所使用的 Linux 与 macOS 笔记本之间存在较大差异，不过在每台设备上，各版本之间的性能比例大致一致。这种差别表明，Python 在 Mac 上运行此测试时略快一些。

与斐波那契测试类似，Python 3.14 仍然是所有 CPython 版本中速度最快的，不过两者之间的差距比前一个基准测试要小一些。具体而言，Python 3.11 的运行速度约为 3.14 的 91%。有趣的是，3.12 与 3.13 的表现反而比 3.11 更慢——这一现象在 Miguel 称其去年进行的测试中也曾出现过。

在这次测试中，Pypy 的速度是 3.14 的 18 倍，甚至比 Node.js 还要快上 3 倍。Miguel 也表示，自己确实应该花些时间深入研究 Pypy，因为它的表现“令人惊艳”。

JIT 与自由线程变体

接下来，Miguel 还测试了 Python 3.13 与 3.14 的特制解释器在冒泡排序任务中的表现。

下表与图表展示了具体结果：

在这项测试中，JIT 解释器的表现略有提升，但仅限于 Linux 版本的 Python。在 Mac 上，JIT 在 3.13 时稍快一些，但到了 3.14 反而略慢。总体而言，这些速度差异都非常小，因此可以看出 JIT 解释器仍处在早期阶段，需要更多时间打磨。从结果来看，Miguel 所使用的测试代码似乎并不能很好地从 JIT 编译中受益。

至于自由线程解释器，其性能依然略逊一筹，不过差距在 3.14 中已经比 3.13 小得多，这与前面的测试结果一致。目前看来，自由线程模式还不适合用于常规任务，但如果遇到 GIL 成为性能瓶颈的场景（例如 CPU 密集型多线程应用），它依然是值得尝试的选项。

基准测试 #3：多线程 Fibonacci

今年，Miguel 决定在测试集中加入两个脚本的多线程版本，主要是想给自由线程解释器一个“展示实力的机会”。

在多线程 Fibonacci 测试中，Miguel 的做法是先启动了 4 个线程，每个线程都独立计算第 40 个 Fibonacci 数。由于所使用的两台笔记本都拥有超过 4 个 CPU 核心，理论上可以很好地并行运行这些任务。测试时间的计算方式是：从启动第一个线程开始计时，到所有 4 个线程结束为止。

下面是 fibo.py 在标准解释器下使用 4 个线程运行的测试结果。

请注意，Miguel 表示，这里他并没有运行 Node 或 Rust 版本的测试，因为这类测试只适用于 Python 的 GIL（全局解释器锁）。

当然，这些结果本身说明不了太多问题。我们可以再次看到，Miguel 的 Mac 似乎比 Linux 机器稍微快一点，但除此之外，整体表现基本是线性扩展的。举个例子：单线程版本的斐波那契测试耗时 7 秒，而在这里（多线程测试中），Mac 上耗时 25 秒，Linux 上耗时 32 秒，大致是 4 倍左右的比例。这也符合预期——毕竟 GIL 会阻止 Python 代码实现真正的并行。

接下来，再来看看 Python 3.13 和 3.14 解释器的详细结果。

这结果相当不错！

由于在这个测试中，Miguel 透露，他本来也没指望 JIT 解释器能带来什么显著变化，所以可以忽略那部分结果。但无 GIL（free-threading）解释器的表现清楚地展示了——移除 GIL 后，Python 在处理多线程、CPU 密集型任务时能获得明显提升。

在 Python 3.13 中，无 GIL 解释器的运行速度大约比标准解释器快了 2.2 倍；而在 3.14 中，这一提升达到了约 3.1 倍。这个结果相当令人振奋！

基准测试 #4：多线程冒泡排序

为了完成这轮基准测试，接下来继续看看多线程冒泡排序的结果。

这个测试中，Miguel 让 4 个线程同时运行，每个线程都要对 10,000 个随机数进行排序。这四个线程收到的，是同一个随机生成数组的拷贝。

先从标准解释器的结果看起：

这部分测试结果同样没有带来太多意外。单线程版本在 Python 3.14 上的运行时间约为 2 秒，而在多线程情况下，Linux 上耗时约 10 秒，Mac 上约 8 秒。有趣的是，在 Linux 机器上，这个结果比单线程的 4 倍时间还要稍微多一点。

以下是 Python 3.13 和 3.14 的新解释器在该测试下的表现：

这里再次展示了自由线程解释器（Free-threading）的一个很好用例。

在这个测试中，Mac 上的自由线程表现甚至优于 Linux，但总体来看，Python 3.14 的 FT 模式比标准解释器大约快了 2 倍。如果你的应用是 CPU 密集型的多线程程序，切换到自由线程解释器可能是一个不错的选择。

至于 JIT 解释器，在 3.14 Mac 上单线程冒泡排序测试中出现的“反而更慢”的奇怪结果，在这里再次出现，因此 Miguel 猜这并非偶然。

不过，Miguel 称，这些差异并不大，不会影响实际使用。我们只能等待 JIT 解释器在未来版本中继续优化和发展。

结论

根据测试结果，Miguel 进一步总结出以下几点结论：

CPython 3.14 看起来是所有 CPython 版本中最快的。
如果你还无法升级到 3.14，可以考虑使用 3.11 及以上版本，这些版本相比 3.10 及更早版本有明显性能提升。
3.14 的 JIT 解释器在我的测试脚本下，并未带来显著速度提升。
3.14 的自由线程解释器在 CPU 密集型多线程应用中比标准解释器快，适合尝试此类场景。但对于其他类型的工作负载，不建议使用自由线程模式，因为对于不受 GIL 限制的代码，它的速度仍然略慢。
Pypy 的速度依然惊人！

来源：https://blog.miguelgrinberg.com/post/python-3-14-is-here-how-fast-is-it