پایتون ۳.۱۴ و پشتیبانی رسمی از free-threading؛ آغاز پایان دوران GIL


خبر اصلی: پشتیبانی رسمی از free-threading در پایتون ۳.۱۴ #

تیم توسعهٔ CPython با انتشار نسخهٔ ۳.۱۴ یک اتفاق تاریخی را رقم زد: بیلد free-threaded (بدون GIL) به مرحلهٔ پشتیبانی رسمی رسید. این تغییر که ابتدا با PEP 703 به‌صورت آزمایشی در پایتون ۳.۱۳ معرفی شده بود، حالا یک گزینهٔ رسمی و پایدار برای همهٔ توسعه‌دهنده‌ها است. یعنی برنامه‌های Python می‌توانند بدون قفل سراسری مفسر، روی تمام هسته‌های CPU به‌صورت موازی اجرا شوند.

ℹ️ اطلاعات: PEP 703 با عنوان «Making the Global Interpreter Lock Optional in CPython» نقشهٔ راه حذف اختیاری GIL را تعریف کرد و پایهٔ بیلد free-threaded است.

free-threading دقیقاً چه چیزی را عوض می‌کند؟ #

تا امروز، GIL فقط اجازهٔ اجرای یک نخ (thread) در هر لحظه برای بایت‌کد پایتون را می‌داد؛ نتیجه اینکه برنامه‌های چندنخی CPU-bound عملاً از قابلیت چند‌هسته‌ای استفاده نمی‌کردند و توسعه‌دهنده‌ها به multiprocessing پناه می‌بردند. در بیلد free-threaded:

  • نخ‌ها واقعاً روی هسته‌های مختلف CPU به‌صورت موازی اجرا می‌شوند
  • انواع توکار مثل dict، list و set با قفل‌های داخلی از اطمینان مشابه بیلد معمولی پشتیبانی می‌کنند
  • اگر ماژول CAPI شما هنوز برای free-threading آماده نباشد، GIL به‌صورت خودکار دوباره فعال می‌شود و هشداری چاپ خواهد شد

البته این قدرت رایگان نیست؛ طبق مستندات رسمی، سربار بیلد free-threaded روی مجموعه بنچمارک pyperformance در سیستم‌های x86-64 لینوکس حدود ۸٪ و روی macOS aarch64 حدود ۱٪ است. یعنی برای برنامه‌های تک‌نخی ممکن است کمی کندتر شوید، اما برای workloadهای موازی سود چند برابری خواهید داشت.

چطور بیلد free-threaded را نصب و تشخیص دهیم؟ #

نصب‌کننده‌های رسمی macOS و Windows در python.org/downloads از نسخهٔ ۳.۱۳ به بعد گزینهٔ نصب باینری free-threaded را دارند. برای بیلد از سورس هم باید از گزینهٔ --disable-gil در هنگام configure استفاده کنید.

برای تشخیص اینکه مفسر جاری از free-threading پشتیبانی می‌کند:

bash
python -VV
# خروجی شامل عبارت free-threading build خواهد بود
# مثال: Python 3.14.0 [MSC v.1940 64 bit] :: free-threading build
python
import sys
import sysconfig

# آیا GIL در این پروسه فعال است؟
print(sys._is_gil_enabled())

# آیا این بیلد از free-threading پشتیبانی می‌کند؟
print(sysconfig.get_config_var("Py_GIL_DISABLED"))  # 1 یعنی بله

حتی در بیلد free-threaded هم می‌توانید GIL را دوباره فعال کنید؛ هم با متغیر محیطی PYTHON_GIL و هم با گزینهٔ خط فرمان -X gil:

bash
PYTHON_GIL=1 python app.py
# یا
python -X gil app.py

💡 نکته: پیش از مهاجرت، وضعیت سازگاری پکیج‌های مورد استفادهٔ خود را در py-free-threading.github.io/tracking بررسی کنید؛ پکیج‌هایی با extension module ممکن است هنوز آماده نباشند.

این خبر برای توسعه‌دهنده‌ها چه معنایی دارد؟ #

برای تیم‌هایی که workloadهای سنگین پردازشی دارند — از پردازش داده و آموزش مدل‌ها تا رندر و پردازش تصویر — این تغییر می‌تواند جایگزین ساده‌تری برای معماری‌های پیچیدهٔ multiprocessing باشد. همچنین فریم‌ورک‌هایی مثل وب‌سرورها و ابزارهای concurrent می‌توانند با چندنخی واقعی، throughput بهتری ارائه دهند.

با این حال، توصیهٔ رسمی مستندات این است که همچنان از threading.Lock و سایر ابزارهای هم‌گام‌سازی استفاده کنید و به قفل‌های داخلی انواع توکار تکیه نکنید. محدودیت‌های شناخته‌شده هم وجود دارد؛ مثلاً دسترسی به frame.f_locals یک فریم در حال اجرا از نخ دیگر ناامن است و ممکن است مفسر را کرش کند.

وضعیت فعلی و مراحل بعدی #

پشتیبانی پکیج‌های جامعه به‌سرعت در حال بهبود است و ردیاب‌های رسمی مثل hugovk.github.io/free-threaded-wheels وضعیت انتشار wheelهای سازگار را به‌صورت زنده نمایش می‌دهند. اگر پروژهٔ متن‌باز دارید، راهنمای رسمی پشتیبانی C API در بیلد free-threaded نقطهٔ شروع خوبی است.

جمع‌بندی #

رسیدن free-threading به پشتیبانی رسمی در پایتون ۳.۱۴، بزرگ‌ترین تغییر در مدل هم‌روندی پایتون از زمان معرفی asyncio بود. سربار کم در بیلد تک‌نخ، تشخیص ساده با python -VV و امکان بازگشت با PYTHON_GIL=1 یعنی ریسک مهاجرت پایین است. اگر برنامهٔ CPU-bound چندنخی دارید، همین امروز یک بیلد free-threaded نصب کنید و بنچمارک خودتان را بگیرید.

منابع و مطالعهٔ بیشتر #

این پست چطور بود؟

پست‌های مرتبط