JIT di Python 3.15 kembali ke jalur yang benar

• Kompiler JIT CPython mencapai performa 11~12% lebih cepat di macOS AArch64 dan 5~6% di x86_64 Linux, melampaui target lebih awal
• Pada versi 3.13~3.14, JIT lebih lambat daripada interpreter, tetapi performanya meningkat pesat berkat pengembangan berbasis komunitas dan perbaikan struktur
• Upaya eksperimental seperti trace recording dan reference count elimination menjadi titik balik utama
• Kontributor inti seperti Savannah Ostrowski, Mark Shannon, Diego Russo, Brandt Bucher serta banyak peserta baru berkolaborasi bersama
• Hasil kali ini menunjukkan bahwa pengembangan yang dipimpin komunitas dan budaya kolaborasi dapat memberi dampak nyata pada peningkatan performa open source

---

Status peningkatan performa JIT CPython

• Mencatat performa 11~12% lebih cepat di macOS AArch64 dan 5~6% di x86_64 Linux
  • Nilai pengukuran berdasarkan rata-rata geometrik, dan pada beberapa benchmark hasilnya bervariasi dari 20% lebih lambat hingga lebih dari 100% lebih cepat
  • Dukungan free-threading masih belum selesai, dengan target untuk versi 3.15/3.16
• JIT pada versi 3.13~3.14 lebih lambat daripada interpreter, tetapi pada versi ini berhasil mencapai peningkatan kecepatan yang berarti

Pengembangan JIT yang berpusat pada komunitas

• Setelah penghentian sponsor utama tim Faster CPython pada 2025, proyek beralih ke sistem pengembangan yang dipimpin komunitas
  • Target: peningkatan 5% di 3.15, peningkatan 10% di 3.16, serta dukungan free-threading
  • Untuk mengurangi bus factor, setiap tahap (frontend, middle-end, backend) diupayakan memiliki minimal 2 maintainer
• Masalah yang kompleks dipecah menjadi bagian-bagian kecil agar kontributor baru bisa ikut berpartisipasi
  • Brandt Bucher memisahkan unit kerja melalui mega-issues
  • 11 kontributor mengubah instruksi interpreter agar lebih ramah terhadap optimasi JIT
• Budaya mendorong kontribusi dan berbagi pencapaian membantu menjaga keberlanjutan partisipasi
  • Hasilnya, performa di x86_64 Linux meningkat dari 1% menjadi 3~4%

Titik balik teknis utama

Trace recording

• Pada core sprint CPython, dilakukan peralihan ke frontend berbasis tracing
  • Awalnya 6% lebih lambat, tetapi performa membaik setelah diperkenalkannya struktur dual dispatch
  • Kecepatan interpreter dasar tetap terjaga sambil meminimalkan peningkatan ukuran interpreter
• Dengan penerapan trace recording, cakupan kode JIT meningkat 50%, lalu efisiensi optimasi ikut membaik

Reference count elimination

• Terinspirasi dari pekerjaan optimasi bytecode oleh Matt Page
  • Performa meningkat dengan menghapus branch yang muncul saat pengurangan reference count
  • Terbukti bahwa menghapus satu branch saja sudah memberi efek pengurangan biaya kumulatif
• Mudah diparalelkan, dan digunakan untuk melatih kontributor baru sebagai tugas pembelajaran struktur JIT

Infrastruktur dan susunan tim

• Savannah Ostrowski mengoperasikan infrastruktur pengukuran performa JIT dengan 4 mesin
  • Hasil eksekusi JIT harian memungkinkan deteksi dini terhadap regression performa
• Diego Russo menangani peningkatan kompatibilitas JIT untuk hardware ARM dan profiler
• Brandt Bucher membangun fondasi backend machine code untuk menurunkan hambatan masuk bagi kontributor baru

Kolaborasi dan pertukaran pengetahuan

• Mendapat masukan terkait PyPy dari CF Bolz-Tereick, sehingga pemahaman desain JIT meningkat
• Interaksi dengan para ahli compiler seperti Max Bernstein membantu menjaga motivasi berkelanjutan dan pertumbuhan teknis
• Pengalaman menganalisis kode PyPy turut berkontribusi pada peningkatan kualitas JIT CPython

Kesimpulan

• JIT di Python 3.15 merupakan hasil gabungan dari kolaborasi komunitas, eksperimen teknis, dan peningkatan infrastruktur
• Ini membuktikan bahwa manusia, keberuntungan, dan budaya kolaborasi adalah pendorong utama inovasi performa open source