py-gil-and-free-threading

GIL 让 CPython 同一时刻只跑一个线程的字节码，故多线程不加速 CPU 密集；3.13/3.14 free-threading(PEP 703/779) 可关 GIL。Use when 多线程跑满 CPU 却不提速 / 选并发模型 / 评估 no-GIL 构建。

gil全局解释器锁free-threading自由线程pep 703

paths

*.py
py/**/*.py

Python · GIL 与 free-threading

规则

工作负载	标准 CPython（带 GIL）	该用什么
CPU 密集（算数 / 解析 / 压缩）	多线程不提速：GIL 让字节码串行执行	`multiprocessing` / `ProcessPoolExecutor`，或 free-threading 构建
I/O 密集（网络 / 磁盘 / DB）	多线程有效：阻塞时释放 GIL	`threading` / `asyncio`
调 C 扩展（numpy / 压缩库）	计算段常释放 GIL，可并行	多线程即可

核心：GIL 是 CPython 实现的一把进程级互斥锁，同一时刻只有一个线程执行 Python 字节码。 它简化了内存管理，但使纯 Python 的 CPU 密集多线程退化为串行 + 切换开销。

free-threading（PEP 703 / 779，3.13 起）

3.13  引入实验性 free-threaded 构建（python3.13t），可在运行时关闭 GIL
3.14  PEP 779：free-threading 从实验转为“官方支持”阶段（仍非默认）
代价  单线程性能有约 5-10% 损耗；默认解释器仍带 GIL
检测  python -VV 看是否 free-threading；运行期 sys._is_gil_enabled()

正例

from concurrent.futures import ProcessPoolExecutor

def cpu_heavy(n: int) -> int:
    return sum(i * i for i in range(n))   # 纯 Python CPU 密集

# ✅ 标准 CPython 下，CPU 密集靠多进程绕开 GIL
with ProcessPoolExecutor() as pool:
    results = list(pool.map(cpu_heavy, [10_000_000] * 8))

import sys
# 探测当前解释器是否真的关掉了 GIL（free-threaded 构建才有此函数）
if hasattr(sys, "_is_gil_enabled") and not sys._is_gil_enabled():
    from concurrent.futures import ThreadPoolExecutor  # 此时线程可真正并行 CPU

反例

# ❌ 标准 CPython 下用线程跑 CPU 密集，期望多核加速
from concurrent.futures import ThreadPoolExecutor
with ThreadPoolExecutor(max_workers=8) as pool:
    pool.map(cpu_heavy, [10_000_000] * 8)   # 8 核机器上几乎不比单线程快

理由：GIL 保证同一时刻仅一个线程跑字节码，纯计算线程拿不到并行，反而多了锁竞争与上下文切换。CPU 密集要么多进程、要么用 free-threading 构建（确认 GIL 已关）。

自检

[ ] CPU 密集用多进程 / free-threading，没指望标准 CPython 的多线程加速？
[ ] I/O 密集才用 threading / asyncio？
[ ] 用 free-threading 前确认了 python -VV / sys._is_gil_enabled()，并接受单线程 5-10% 损耗？
[ ] 依赖的 C 扩展声明了 free-threading 兼容，避免在无 GIL 下竞态？

Python · GIL 与 free-threading

规则

free-threading（PEP 703 / 779，3.13 起）

正例

反例

自检

相关