Benchmarks medidos

Renderizado de benchmarks/poly/README.md: el banco poliglota del repositorio (14 programas × 9 lenguajes, mismo output verificado por checksum), reproducible con bench.py. La crónica de cada arco de optimización vive en PERFORMANCE.md.

Resultados (29 jul 2026 — M3 Pro, mediana de 10 corridas, 5 de calentamiento) · el mismo output en todas las variantes, verificado por checksum · barra más larga = más lento que el binario nativo de raylang (1×), truncada en 4×.

---

Benchmarks poliglotas

14 programas, cada uno implementado en 9 variantes de lenguaje (js, lua, php, pl, py, ray, rb, go, rust) — más los 3 binarios compilados (nativo de Raylang, Go, Rust) — 12 archivos por directorio en total, verificados a que produzcan el mismo output determinista (mismo checksum, comparado por diff). Todos son autocontenidos (generan sus propios datos, sin ficheros ni red): así el benchmark aísla el coste de cómputo del lenguaje, no la varianza del disco/SO.

Cada programa vive en su propio directorio (wordcount/, jsonserialize/, treealloc/, …) y se agrupa por categoría (ver tabla abajo) — el mismo agrupamiento que ves en ./bench.py list y en el menú de ./tui.py. Se ejecutan con el arnés poliglota en Python (ya no depende de hyperfine; usa time.perf_counter internamente y presenta los resultados en una tabla):

./bench.py wordcount        # o cualquier otro programa
./bench.py all              # todos
./bench.py list             # listado agrupado por categoría, con descripción

Los programas, agrupados por qué miden

Arranque

Overhead puro de arrancar el runtime/intérprete, sin cómputo real — el piso de latencia de cada lenguaje.

Programa	Qué mide
empty	programa vacío
print	un solo print — arranque + I/O mínimo

CPU / aritmética-recursión

Aritmética y llamadas a función puras, sin tocar la stdlib — donde raylang, sin JIT ni backend nativo, rinde peor relativo a los demás.

Programa	Qué mide
loopsum	suma con módulo en un loop de 10M iteraciones
fibonacci	fibonacci recursivo para n=0..9 — llamadas a función, poco trabajo
fibrec	fibonacci recursivo profundo fib(34) — stress de llamadas a función
factorial	factorial recursivo para n=0..9 — recursión simple

Datos de servicio (stdlib string + hashmap)

El trabajo real de un servicio (I/O/datos-bound): parsear peticiones, agregar en tablas hash y construir respuestas — ejercita la stdlib, no la aritmética.

Programa	Modela	Primitivas ejercitadas
wordcount	Crunch de datos: contar frecuencias sobre líneas sintéticas	split + hash map get/insert + sort (agregación)
jsonserialize	Ruta de salida: serializar N registros a JSON	to_string + concatenación + push/join (construcción de strings)
jsondeserialize	Ruta de entrada, contraparte de jsonserialize: parsear los registros	búsqueda de substrings (index_of/substring) + parse_int, sin librería de JSON
logparse	Ruta de entrada: parsear N líneas de log	split + parse_int + agregación en dos maps

• wordcount: 120 000 líneas, ~1 000 claves distintas, checksum sobre claves ordenadas.
• jsonserialize / jsondeserialize: 400 000 registros {"id":…,"name":"user…","score":…}.
• logparse: 150 000 líneas GET /api/N STATUS MS, cuenta por status + latencia por path.

Estructuras de datos / GC

Programa	Qué mide
treealloc	Presión de GC/allocator: construir, contar y descartar muchos árboles binarios pequeños (benchmark clásico "binary-trees"). Árboles completos, profundidad 4 a 15 (min_depth=4, max_depth=14, +stretch de 15). Sin hashmaps de por medio — mide alocación pura.

Numérico

Programa	Qué mide
sortnums	Ordenar un array numérico grande (no claves de string como en wordcount/logparse): 1 000 000 de enteros generados con un LCG determinista (MINSTD, multiplicador 48271 mod 2³¹-1).
matrixmul	Multiplicación de matrices 200×200 — el único workload con punto flotante (todo lo demás en la suite es entero puro). Valores deterministas (i·n+j) mod 13 / (j·n+i) mod 17.

Pattern matching

Programa	Qué mide
regex	Extracción de campos con motor de regex (distinto del split ingenuo de logparse): 200 000 líneas userN GET /api/M STATUS MSms, patrón ^user(\d+) GET /api/(\d+) (\d+) (\d+)ms$.

Nota sobre regex: regex.rs parsea a mano el mismo patrón fijo porque el crate regex de Rust requeriría Cargo + red, rompiendo el build de un solo archivo con rustc usado para el resto de la suite (con el crate, Rust puro cuesta ~49 ms, no ~26). regex.ray usa el motor REAL de la stdlib (import std/regex; con compile() + trait Matcher): desde R5/R7 (PERFORMANCE.md Fases 63 y 69) tanto el binario nativo como la VM lo despachan al crate regex vía ray-runtime — con la validación y el dialecto de la librería raylang —, así que la variante compite motor contra motor. La Pike VM escrita en raylang (la implementación de referencia) sigue siendo el motor del intérprete (--interp) y de los builds slim.

Resultados (29 jul 2026 — M3 Pro, mediana de 10 corridas, 5 de calentamiento)

Corrida archivada completa (export de bench.py --export-md, todas las tablas y el entorno): results/2026-07-30-arco-vm.md — la referencia post-arco de la VM (Fases 69-75) con el arnés corregido, todas las filas 10/10.

Suite completa con el arnés actual (auto-medición: los 12 programas de cómputo cronometran su propio workload, así que no cuentan el arranque del runtime; empty/print sí lo miden, que es justo lo que evalúan). ray = la VM; native = ray build --native --release, que desde el arco F enlaza fibras M:N por defecto.

Tiempo del binario nativo frente a los compilados y a node (× = cuántas veces más lento que native; <1 significa que nos gana):

Programa	native	vs node	vs go	vs rustc -O	VM ÷ native
loopsum	27.3 ms 🥇	9.06×	1.01×	1.00×	13×
fibrec	17.7 ms	2.21×	0.91×	0.79×	26×
wordcount	38.4 ms 🥇	3.28×	1.16×	1.60×	4.6×
jsonserialize	28.6 ms	2.50×	0.96×	0.92×	2.4×
jsondeserialize	74.4 ms	2.11×	0.60×	0.66×	3.4×
logparse	21.5 ms 🥇	2.38×	1.05×	1.49×	3.0×
treealloc	18.1 ms 🥇	1.13×	1.59×	1.52×	25×
sortnums	18.0 ms 🥇	19.99×	3.51×	1.12×	6.0×
matrixmul	5.6 ms 🥇	4.12×	1.35×	1.01× (empate)	2.7×
regex	65.2 ms	0.95×	1.17×	0.40×	4.0×

Las filas de matrixmul (Fase 67: hoist de borrows → vectorización) y de wordcount/ jsondeserialize/logparse/regex (Fase 68: fusiones de substring/split + el borde de capturas) son las re-mediciones del mismo día con el arnés, tras esos arcos del transpilador; la corrida original está en el historial de PERFORMANCE.md. La columna VM ÷ native es del 29–30 jul, tras los arcos de la VM (Fases 69–72: regex sobre el crate, kernel DotRange, ronda 5 de superinstrucciones y el despacho inlineado) y con la corrección del sesgo de presupuesto del arnés (Fase 73).

• Le gana a node en 9 de los 10 programas de cómputo (de 1.1× a 20×). El décimo, regex, queda a un 5% (0.95×) — y ahí node corre su motor C++; la variante .ray usa std/regex con el crate regex (R5). Ojo con el 0.40× de la columna rust: regex.rs parsea a mano (ver la nota de arriba) — con el crate regex, Rust puro cuesta ~49 ms, no 26.
• Le gana a Go en seis (sortnums 3.51×, treealloc 1.59×, matrixmul 1.35×, regex 1.17×, wordcount 1.16×, logparse 1.05×) y empata en dos (loopsum, jsonserialize); a rustc -O en cuatro (wordcount 1.60×, treealloc 1.52×, logparse 1.49×, sortnums 1.12×) y empata en dos (loopsum, matrixmul). Donde pierde contra ambos es en jsondeserialize y fibrec.
• Arranque (proceso completo, sin auto-medición): empty 1.80 ms 🥇 #1 de 10 — por delante de rustc (1.92 ms) y Go (1.98 ms), con 1.8 MB de RSS. Las fibras no lo penalizan.

Ranking combinado (tiempo × memoria, media geométrica): el binario nativo queda #1 o #2 en 11 de los 12 programas (#1 absoluto en wordcount y logparse) y #3 en el restante (jsonserialize) — nunca por debajo del tercer puesto, contra 9 lenguajes.

Lectura

• El backend nativo cambió la categoría del proyecto. La tabla anterior de este README (arco P0, 14 jul) medía la VM contra intérpretes y celebraba "2.0–2.7× del líder". Hoy la comparación relevante es contra binarios compilados, y ahí se pelea de tú a tú con Go y Rust.
• La VM sigue siendo el motor de desarrollo, y su distancia al nativo dice para qué es cada uno: 3–4× en los workloads de servicio (donde el coste real está en la stdlib, compartida) y 28–57× en los micro de cómputo puro (donde solo se mide el bucle de despacho). El modelo dev = VM / deploy = nativo no es un eslogan: es esta tabla.
• Las fibras M:N salen gratis en cómputo. A/B del mismo programa con y sin --without fibers (mediana de 15 corridas): fibrec +0.4%, wordcount +1.9%, treealloc −2.3% — todo dentro del ruido — y el arranque de empty incluso mejora (1.57 vs 1.97 ms, porque el modelo de fibras no levanta el hilo worker que sí crea el de hilo-por-tarea). Su beneficio está en concurrencia e I/O, y no se paga en los programas secuenciales.
• Dónde queda trabajo: jsondeserialize (0.60× de Go tras las fusiones N-D) es el hueco que queda — lo restante es la construcción de la línea (Rc<str> desde String = doble alloc) y que Go/Rust rebanan sin copiar; matrixmul lo cerró N6 y logparse/wordcount las fusiones de split (Fases 67–68). Plan en raylang/PERFORMANCE.md.

Reproducir

# compilar primero los binarios nativos (.ray), Go (.go) y Rust (.rs) de cada directorio:
./build-all.sh

# tiempo Y memoria de los tres, con export a markdown (una sola pasada: cada
# corrida cronometra y mide RSS a la vez, así ambas tablas son de las MISMAS
# corridas):
./bench.py wordcount --export-md /tmp/wc.md
./bench.py jsonserialize --export-md /tmp/js.md
./bench.py logparse --export-md /tmp/lp.md

Scripts

Script	Qué mide	Cómo
build-all.sh	—	Compila todos los .ray (ray build --native), .go (go build) y .rs (rustc -O) de cada subdirectorio
bench.py	Tiempo + memoria en un solo set de corridas	time.perf_counter alrededor de un spawn directo y ru_maxrss del wait4 de ESA misma corrida; tablas con mediana/mín/máx/MAD/ratio más un ranking combinado
tui.py	Tiempo + memoria + ranking, interactivo	Interfaz de texto con curses: selector de programa/variantes/corridas con teclado, progreso en vivo y gráficos de barras finales
benchlib.py	—	Módulo compartido: descubrimiento de programas/variantes, formato de tabla, export a Markdown/CSV, config
settings.toml	—	Activa/desactiva variantes de lenguaje y fija defaults de --runs/--warmup, de forma persistente

Metodología de medición

• Auto-medición del cómputo (marcador bench_ns): cada programa que no es de Arranque cronometra su propio workload con un reloj monotónico y emite bench_ns=<int> por stderr como última acción; el harness usa ese valor como tiempo. Así "tiempo" mide SOLO cómputo, sin el arranque del runtime (los ~45 ms de node, los ~16 ms de python, etc.). Los programas de Arranque (empty, print) no llevan marcador y siguen midiendo el proceso completo — esa categoría existe justamente para eso. stdout no participa, así que la verificación de output por diff sigue intacta. La memoria sigue siendo del proceso completo (RSS pico, runtime incluido). Asterisco: lua no tiene reloj de pared monotónico en su stdlib, usa os.clock() (tiempo de CPU) — equivalente en estos workloads single-thread CPU-bound.
• Spawn directo, sin intermediarios: cada corrida se lanza con posix_spawnp y se espera con wait4, sin shell ni wrapper (/usr/bin/time) en el medio — el overhead ajeno al programa es <1 ms (con wrapper eran ~3-5 ms, más que la señal de los binarios más rápidos). Del rusage del mismo wait4 salen la memoria pico (ru_maxrss) y el tiempo de CPU: pared, memoria y CPU son siempre de la misma corrida. (Nota: ru_maxrss no es idéntico al "peak memory footprint" que reportaba /usr/bin/time -l — los números de memoria no son comparables con exports anteriores a este cambio.)
• Presupuesto de tiempo por variante (budget_s en [bench], --budget en CLI, default 5 s; 0 = sin límite): estilo hyperfine, el número de corridas se adapta al costo de cada variante. Al coste observado (pared ÷ corridas, warmup incluido) se planifican cuantas muestras quepan en el presupuesto —nunca menos de 5 medidas ni de 1 warmup— y se reparten uniformemente entre las rondas de la sesión (la variante salta las rondas que no le tocan). Las rápidas hacen sus runs completas; las lentas no marcan el ritmo de la sesión. (Corrección, 30 jul 2026: hasta esa fecha el presupuesto cortaba la COLA — la variante corría las primeras N rondas y paraba — lo que bajo deriva de la sesión sesgaba su mediana respecto a las que muestreaban la sesión entera, de forma aleatoria y sin marcarlo en la tabla. Medido al arreglarlo: fibrec.ray daba 636 ms con el corte por prefijo y 750–762 ms con muestreo completo o repartido — un −17% ficticio. Las filas recortadas ahora muestrean el mismo entorno que las completas, la columna Corridas (n/runs ⚠) lo hace visible en todas las tablas, y el pie avisa por cada variante recortada.) Para una medición que vaya a citarse en PERFORMANCE.md, sigue valiendo la regla de oro: --budget 0 y que Corridas marque n/n.
• Rondas intercaladas con rotación (A B C / B C A / ...): el drift ambiental (térmico, procesos de fondo) se reparte entre todas las variantes en vez de caer entero sobre una, y la rotación elimina el sesgo de posición. El warmup son las primeras rondas completas.
• Mediana y MAD, no media y σ: en un workload determinista el ruido solo suma, así que un outlier arrastra la media pero no la mediana. El mínimo es el mejor estimador del costo sin interferencia.
• Empates técnicos: variantes cuyas ventanas mediana ± max(2·MAD, 0.5%) se solapan en tiempo y memoria comparten puesto en el ranking (#1=) — no se proclama ganador por diferencias del orden del ruido.
• Avisos de sesión contaminada: si >10% de las muestras son outliers (> mediana+3·MAD) o tienen pared ≫ CPU (desalojo del SO), la tabla lo marca con ⚠ — mejor repetir esa sesión.
• Metadatos en los exports: fecha, CPU, OS, versiones de cada runtime y runs/warmup quedan registrados en el Markdown/CSV; sin eso un resultado no es comparable con el del mes que viene.

build-all.sh compila en paralelo (un job por core): compilar no es medir, ahí el multicore es gratis. Las corridas medidas son SIEMPRE seriales — variantes concurrentes se pelean por caché/memoria/térmica y en Apple Silicon caen en E-cores: velocidad a cambio de exactitud, no.

Consejos de higiene al correr: equipo enchufado (sin Low Power Mode), sin compilaciones ni apps pesadas en paralelo, y descartar la primera sesión tras un reboot (caches fríos).

bench.py (línea de comandos) y tui.py (interactivo) comparten el mismo arnés (benchlib.py) y la misma interfaz:

./bench.py                 # lista los programas y pregunta cuál medir
./bench.py list            # solo lista
./bench.py <n>             # por número del listado
./bench.py <nombre>        # todas las variantes de <nombre>
./bench.py all             # todos los programas

# flags: --runs N --warmup N --exclude "a b c" --export-md FILE --export-csv FILE
#        --prepare CMD (o --clean, atajo de --prepare "sync")

Interfaz interactiva (TUI)

./tui.py levanta una interfaz de texto (solo stdlib, curses — sin dependencias que instalar) para no tener que memorizar flags:

./tui.py

El menú principal es solo elegir programa (o "ejecutar todos") — enter corre el benchmark directo, sin pasos intermedios. La esquina superior derecha muestra un panel de configuración persistente (20r/10w · 7/10 lenguajes); presionando s en cualquier momento se abre la pantalla de Configuración (lenguajes a incluir, corridas, calentamiento), que queda guardada para las corridas siguientes hasta que se vuelva a cambiar o se cierre la TUI.

Al elegir un programa: corre con barras de progreso en vivo por variante → pantalla de resultados con gráficos de barras (tiempo, memoria) coloreados por puesto (verde = mejor, rojo = peor) y la tabla de ranking combinado, con scroll (↑/↓) si no entra en la terminal. q/esc vuelve un paso atrás en cualquier pantalla; desde el menú principal sale del programa.

Activar/desactivar lenguajes

settings.toml (raíz del proyecto) controla qué variantes participan en list/choose/bench, de forma persistente (sin repetir --exclude en cada corrida):

native = true   # binario nativo (ray build --native)
go     = true   # binario compilado (go build)
rs     = true   # binario compilado (rustc -O)
js     = true   # node
lua    = true   # lua
php    = true   # php
pl     = true   # perl
py     = true   # python3
ray    = true   # ray run (intérprete)
rb     = true   # ruby

# Defaults de corridas/calentamiento (se pueden sobreescribir con --runs/--warmup).
[bench]
runs   = 20   # corridas medidas por variante
warmup = 10   # corridas de calentamiento descartadas

Poner una clave de lenguaje en false la excluye en bench.py y en tui.py; se combina con --exclude si también se pasa por línea de comandos. Un lenguaje habilitado cuyo intérprete no esté instalado en la máquina no rompe la corrida: variants_for lo omite con un aviso, así que el default commiteado deja los nueve activos y cada máquina mide lo que tiene. La tabla [bench] fija los valores por defecto de --runs/--warmup; un flag explícito en la línea de comandos siempre gana sobre el config. Si el archivo no existe, todas las variantes quedan habilitadas y se usan los defaults de fábrica (20 corridas, 10 de calentamiento).