Python 3.9–3.15 인터프리터 버전에 따른 AI 에이전트, 데이터 분석, 머신러닝 워크로드 성능 비교

Abstract

본 연구는 CPython 3.9, 3.11, 3.13, 3.14, 3.15를 같은 빌드 체인으로 설치하고, AI 에이전트, 데이터 분석, 머신러닝을 모사한 13개 워크로드의 실행 시간을 한 대의 Apple M3 Pro 컴퓨터에서 측정하였다. 표준 라이브러리만 쓰는 8개 워크로드의 기하평균 속도 배율은 3.9 대비 3.11에서 1.24, 3.15에서 1.22였다. 즉 3.11 이후에는 추가 개선이 관측되지 않았다. 같은 라이브러리 버전을 쓴 3.14와 3.15 사이에서 NumPy, pandas, scikit-learn, Pydantic 워크로드의 차이는 2% 이내였다. 3.15의 명시적 지연 import는 쓰지 않는 무거운 모듈을 import하는 CLI의 시작 시간을 222.98 ms에서 20.85 ms로 줄였다. 실험적 JIT는 순수 Python k-평균에서 1.24배 빨랐으나 시작 시간과 CSV 집계에서는 느려졌다. 별도 세션에서 다시 측정한 값은 최대 12.4% 달라졌으므로, 3% 미만의 차이는 구분할 수 없는 것으로 해석해야 한다.

주요 기여

• 세 영역을 모사한 13개 워크로드를 표준 라이브러리층과 C 확장층으로 나누어 설계하였다.
• 다섯 버전의 실행 시간과 배율을 워커 프로세스 단위 부트스트랩 구간과 함께 보고하였다.
• 3.15의 지연 import와 실험적 JIT의 효과를 따로 측정하고, 3.15에서 설치할 수 없는 주요 패키지를 확인하였다.

결론

표준 라이브러리 워크로드는 3.11에서 3.9 대비 1.24배 빨라졌고, 3.15는 1.22배로 그 이상 빨라지지 않았다. C 확장 워크로드는 같은 라이브러리 버전에서 버전 간 차이가 2% 이내였다. 3.15에서 가장 큰 차이는 지연 import로, 무거운 모듈을 쓰지 않는 CLI의 시작 시간을 10.69배 줄였다. 따라서 3.15로 올리는 근거는 연산 속도보다 지연 import와 같은 기능에 있다. 후속 연구로 Linux 서버, 입력 크기 변화, GIL 없는 빌드, 실제 LLM 호출을 포함한 측정이 필요하다.