python 3.14 jit（torchlight）的循环展开仅在满足全部条件时触发：①函数被@jit显式装饰；②循环迭代次数编译期可静态推断（如np.arange(常量)）；③循环体无可内联调用；④嵌套≤4层且无动态索引；⑤数组为numpy.ndarray。
Python 3.14 的 JIT 编译器（Torchlight）确实支持循环展开，但它的启用条件和行为比 C/C++ 编译器严格得多——不是所有 for 循环都会被展开，更不会自动对任意 list 或 range 迭代生效。
Python 3.14 JIT 的 Loop Unrolling 什么情况下会触发
JIT 的循环展开只在满足全部以下条件时才可能激活：
-
@jit装饰器显式标记的函数（非全局代码或交互式输入） - 循环必须是“可静态推断迭代次数”的形式，例如
for i in range(N)，且N是编译期已知常量或来自函数参数、但类型与值在热点分析中收敛稳定 - 循环体不能包含不可内联的调用（如
print()、sys.stdout.write()、任意用户定义类方法，除非该方法也被@jit标记且无逃逸） - 循环嵌套深度 ≤ 4，且内层循环不依赖外层变量做动态索引（如
arr[i][j]中arr是 list of list 就大概率失效） - 数组访问需基于
numpy.ndarray（原生类型），而非 Pythonlist；JIT 不会对list[i]展开，因为其地址计算不可预测
为什么你的 for i in range(len(arr)) 没被展开
常见失效场景包括：
-
len(arr)返回的是运行时值，即使arr是numpy.array，若其长度未在 JIT 分析窗口（最近 256 次调用）中保持完全一致，JIT 就拒绝生成展开版本 - 使用
list存储数值：JIT 无法假设list[i]是 O(1) 内存访问，也无法消除边界检查，因此跳过循环优化 - 循环内有
try/except或if分支依赖外部状态（如全局 flag），导致控制流不可预测，JIT 放弃展开 - 启用了
-X jit-threshold=50，但函数实际调用频次未达阈值，或因 GC 干扰导致热点统计被重置
验证方式：设置 PYTHON_JIT_DUMP_IR=1 运行脚本，搜索输出中是否出现类似 %unrolled_loop_body 或重复块（如连续 4 次 load %arr, i），没有则说明未触发。
手动配合 JIT 实现有效展开的实操建议
与其依赖 JIT 自动决策，不如用它能理解的结构“引导”展开：
- 用
numpy.arange()替代range()，并确保传入整数字面量或编译期常量，例如for i in np.arange(1024):比for i in range(len(arr)):更易触发 - 把大数组切片后分段处理，每段长度固定（如 256 元素），让 JIT 对每个小循环单独判断——这比一个 100 万次的大循环更容易满足“静态迭代数”条件
- 避免在循环内修改数组 shape 或 dtype；JIT 对
arr.reshape()后的访问可能退化为解释执行 - 关键路径上禁用
gc.disable()（仅限短时关键区），防止 GC 中断热点计数，影响 JIT 编译时机
示例片段（有效）：
import numpy as np
import sys
<p>if hasattr(sys, '_enable_jit'):
sys._enable_jit(threshold=30)</p><p>@jit
def sum_large_array(arr: np.ndarray) -> float:
total = 0.0</p><h1>JIT 更倾向展开这种固定长度、纯数值、无副作用的循环</h1><pre class="brush:java;toolbar:false;">for i in np.arange(512): # 显式常量长度
total += arr[i]
return total
别忽略 NumPy 自身的向量化才是第一优先级
JIT 的循环展开只是补救手段。真正大规模数组运算中，np.sum(arr)、arr.dot(other) 等底层 C/Fortran 实现的向量化操作，早已内置了最优的展开因子（通常为 8 或 16）、SIMD 指令和缓存预取。强行用 JIT 展开 Python 层循环，往往不如直接调用这些原生接口快——后者连内存布局都做了对齐优化，而 JIT 生成的机器码仍受限于 Python 对象模型开销。
换句话说：先确认你真需要手写循环；如果只是为了累加、点积、广播运算，np. 开头的函数几乎总是更快，也更稳。
