Bu tədqiqat, k-means, k-en yakın komşu, çok katmanlı algılayıcı, genetik alqoritm və Mamdani bulanık çıkarım sistemini Python, C, C++, Rust, Go və Julia dillərinde xarici ədədi kitabxana kullanmadan sıfırdan tətbiq edərək iş vaxtı, pik yaddaş istehlakı, icra olunan fayl ölçüsü, kod sətri sayısı və kompilyasiya süresini karşılaştırmıştır. Apple M1 Pro üzərində yapılan deneylerde C və C++ hemen hemen aynı sürət düzeyinde yer almış, Rust geometrik ortalamada C’den %9 daha yavaş kalmıştır. Julia C’nin 3,30 katı, Go 5,01 katı və Python 314,6 katı iş vaxtı göstərmişdir. Ancaq nəticələr tək bir aparat və əməliyyat sistemine, küçük və klasik süni intellekt alqoritmlərına və kitabxanasiz tətbiqləra dayandığından modern GPU modellerine və ya NumPy və PyTorch kullanan real Python tətbiqlərına doğrudan genellenemez.

Bellek nəticələrı iş vaxtı sıralamasından farklı bir görünüm sunmuştur. C, C++ və Rust bütün testlerde 6 MiB’ın altında kalırken Go ortalama 6,3 MiB, Python 27,6 MiB və Julia 224,2 MiB pik yerleşik yaddaş kullanmıştır. Julia’nın yüksek değeri, test vərisinden büyük ölçüde bşəbəkəımsız görünen iş zamanı və tam zamanında kompilyasiya yükünü yansıtmaktadır. Dil sıralamalarının iş yüküne bşəbəkəlı olduğu da gösterilmiştir: Go’nun C’ye göre yavaşıma oranı k-NN’de yaklaşık 2,6 kat iken k-means testinde yaklaşık 8 kata çıkmıştır.

Türkiyə baxımından qiymətləndirmə: Bulgular Türkiyədə süni intellekt altyapısı, gömülü sistemler, endüstriyel otomasyon, robotik, yerel çıkarım servisleri və mənbəları sınırlı uç cihazlar geliştiren ekipler açısından önem taşımaktadır. Tədqiqat, alqoritmnın doğrudan və kitabxanasiz uygulanması gereken vəziyyətlarda dil seçiminin süre və yaddaş üzərində büyük fark oluşturabiləceğini göstərir. Türkiyədə kullanılacak bir təknoloji kararı öncesinde aynı kıyaslamaların hedeflenen x86-64 və ya ARM işlemcilərde, Linux və Windows ortamlarında, real vəri kümeleriyle, istifadə olunan yerli və ya institusional yazılım yığınıyla və gerektiğinde GPU sürətlandırmasıyla təkrarlanması gerekir. Tədqiqatdan Türkiyədəki bütün süni intellekt projelerinde C++ və ya Rust’ın zorunlu olarak en iyi seçim olduğu ya da Python’ın real tətbiqlarda yüzlerce kat yavaş çalışacşəbəkəı sonucu çıkarılamaz.

Araştırmanın əsas sualsu nədir?

Araştırma, süni intellekt tərtibatçısinin hazır bir kitabxanaye başvuramadığı vəziyyətda hansı proqramlaşdırma dilini seçmesi gerektiğini incelemektedir. Böyle bir vəziyyət, ilgili alqoritmnın henüz bir kitabxana tətbiqsının bulunmaması, hedef cihazın mənbəlarının sınırlı olması və ya yeni bir süni intellekt altyapısının temel biləşenlerinin geliştirilmesi sırasında ortaya çıkabilir.

Tədqiqatnın çıkış noktası, süni intellekt tətbiqlərında görünen dil ilə şəbəkəır hesablamayı yapan dilin çoğu zaman aynı olmamasıdır. Python; deney tasarımı, vəri akışı və model çşəbəkərıları üçün kullanılsa da NumPy, PyTorch və benzeri yapıların performans açısından kritik hesablamaları çoğunlukla derlenmiş yerel kodlara aktarılır. Buna görə Python ilə çalışan bir kitabxananin sürətı, yalnızca Python yorumlayıcısının sürətını temsil etmez.

Tədqiqatçılar bu karışıklığı ortadan kaldırmak üçün bütün alqoritmlərı Python, C, C++, Rust, Go və Julia dillərinde xarici makine öyrənməsi və ya ədədi hesablama kitabxanaleri olmadan sıfırdan uygulamıştır. Böylece gözlenen farkların mümkün olduğunca üçüncü taraf kitabxanalerden değil, dil tətbiqlərından, kompilyatorlerden və iş zamanı sistemlerinden mənbəlanması amaçlanmıştır.

Literatürde hansı boşluk hedeflenmiştir?

Programlama dilləri daha önce iş vaxtı, enerji istehlakı, yaddaş istifadəsi və kod inkişaf maliyeti baxımından müqayisə edilmişdir. Ancaq geleneksel dil kıyaslamaları çoğunlukla sıralama, özyineleme, şəbəkəaç işleme və ya küçük ədədi çekirdekler gibi genel amaçlı iş yüklerini kullanmaktadır. Bu iş yükleri, süni intellekt alqoritmlərında görülen iteratif optimizasyon, yoğun kayan nokta hesablaması, nüfus tabanlı arama və kural tabanlı çıkarım biçimlerini aynı anda temsil etmeyebilir.

Diğer taraftan süni intellekt bşəbəkəlamındaki birçok dil müqayisəsı, hazır və yüksek düzeyde optimize edilmiş kitabxanaleri kullanmaktadır. Python və Julia programlarının aynı yerel ədədi çekirdeği çşəbəkəırdığı bir testte elde edilən süre, üst düzey dillərden çok alttaki C, C++, Rust və ya GPU tətbiqsını ölçebilir. Tədqiqat, bu iki müqayisə türü arasındaki boşluğu kitabxanasiz və algoritmik olarak eşleştirilmiş tətbiqlərla doldurmayı hedeflemiştir.

Hangi dillər və araç zincirleri müqayisə edilmişdir?

Deneyler altı performans və iki vərimlilik çekirdeğine sahip Apple M1 Pro işlemcili, 16 GB birleşik yaddaşli bir MacBook üzərində və macOS əməliyyat sisteminde yürütülmüştür. SIMD içsel işlevleri, elle vəktörleştirme və xarici ədədi kitabxanaler kullanılmamıştır.

Beş süni intellekt alqoritmsı nə üçün seçilmiştir?

Algoritmalar güncel süni intellektnın en iləri modellerini temsil etmek üçün değil, farklı hesablama biçimlerini kontrollü və təkrar üretiləbilir şekilde sınamak üçün seçilmiştir. Beş alqoritm vəri madenciliği, örnek tabanlı öyrənmə, sinir şəbəkəı təlimi, evrimsel hesablama və bulanık mantık alanlarını kapsamaktadır.

Diller arasında aynı hesablama necə sşəbəkəlanmıştır?

Tədqiqatçılar bütün dillərde aynı alqoritm xüsusiyyətlərini, başlangıç koşullarını, eşitlik bozma kurallarını və durdurma meyarlarıni kullanmıştır. Rastgele girdilərin eşlenmesi üçün her dilde aynı 64 bitlik doğrusal eşlenik üreteç uygulanmıştır.

\[ s_{i+1} = (a s_i + c) \bmod 2^{64} \]

Bu eşitlikte s_i, i’inci adımdaki 64 bitlik iç vəziyyətu; a çarpanı və c artış sabitini göstərir. Tədqiqatda:

• a = 6364136223846793005
• c = 1442695040888963407
• başlangıç toxumu s₀ = 42

olarak belirlenmiştir.

\[ u_i = \frac{s_i \gg 33}{2^{31}} \]

Buradaki >> 33 işlemi, 64 bitlik vəziyyətun 33 bit sşəbəkəa kaydırılmasını ifade eder. Elde edilən tamsayı 2³¹ değerine bölünerek boyutsuz bir sözde təsadüfi sayı oluşturulur. Her dilde sayıların aynı sırayla tüketilmesi, deney girdilərinin eşlenmesini sşəbəkəlamıştır.

Dillerin matematik kitabxanaleri arasında fark oluşmaması üçün karekök, üstel, logaritma və kosinüs gibi aşkın fonksiyonlardan kaçınılmıştır. k-NN və k-means testlerinde karekök yerine karesi alınmış Öklid uzaklığı istifadə edilmişdir. MLP’de sigmoid və ya softmax yerine ReLU və ortalama karesel hata uygulanmıştır. Genetik alqoritmda kosinüs içeren Rastrigin fonksiyonu yerine polinom biçimindeki Rosenbrock fonksiyonu seçilmiştir.

Her program tamsayı və kayan noktalı bir çıktı parmak izi üretmiştir. Tamsayı parmak izleri altı dilde tamamen eşleşmiş, kayan noktalı özetler altı ondalık basamşəbəkəa kadar aynı bulunmuştur. Derleyicilərin birleşik çarpma-toplama işlemi uygulayabilmesi nə üçüniyle tədqiqat, bütün kayan noktalı ara nəticələrın mutlak biçimde bit düzeyinde eşit olduğunu göstermemektedir.

Süre və yaddaş necə ölçülmüşdür?

Her dil–alqoritm çifti üç ısınma çalıştırmasının ardından on kez ölçülmüşdür. Duvar saati süresi hyperfine, pik yerleşik yaddaş istifadəsi ise macOS üzərindəki /usr/bin/time -l və ru_maxrss değeriyle belirlenmiştir. Standart çıktı /dev/null hedefine yönlendirilmiş, ancak ölü kod elemesini engellemek üçün programlar parmak izlerini yine de hesaplayıp yazdırmıştır.

Tədqiqat süresi və yaddaş dışında derlenmiş faylnın ölçüsü, beş tətbiqnın toplam kod sətri sayısı və önyaddaş temizlendikten sonraki soğuk kompilyasiya süresi de ölçülmüşdür. Farklı alqoritmlərdaki yavaşıma oranları, C diline göre normalize edildikten sonra geometrik ortalamayla birleştirilmiştir.

Tədqiqat süresi nəticələrı ne göstərir?

En sürətli performans katmanını C, C++ və Rust oluşturmuştur. C ilə C++ arasındaki farklar beş testte de %2’nin altında kalmıştır. C++ k-means, k-NN, MLP və genetik alqoritm testlerinde küçük farklarla öne çıkarken C, bulanık çıkarım testinde daha düşük süre vərmiştir. Rust’ın C’ye göre geometrik ortalama yavaşıma oranı 1,09’dur.

Tədqiqatnın 9. sayfasındaki logaritmik grafik, üç performans katmanını görsel olarak açık biçimde ayırmaktadır. C, C++ və Rust sütunları grafiğin alt bölümünde birbirine çok yakın görünürken Julia və Go orta bölgede yer almaktadır. Python sütunları bütün alqoritmlərda diğer dillərin çok üzərində bulunmaktadır.

Python’ın C’ye göre farkı alqoritmya bşəbəkəlı olarak değişmiştir. En düşük oran dallanma çəkilı genetik alqoritmda yaklaşık 149 kat, en yüksek oran ise yoğun aritmetik içeren k-means testinde yaklaşık 463 kattır. Bu nəticə, Python’ın bütün iş yüklerinde tək bir sabit oranda yavaş olmadığını göstərir.

Python üçün 315 kat sonucu necə yorumlanmalıdır?

314,6 katlık değer, Python’da yazılmış bütün süni intellekt tətbiqlərının C’den bu oranda yavaş olduğu anlamına gelmemektedir. Tədqiqat Python kodunu NumPy, PyTorch, Numba, Cython, JAX və ya başka bir yerel hesablama kitabxanasi olmadan, açık döngüler və skaler işlemlerle çalıştırmıştır.

Python’ın real süni intellekt inkişafdeki başlıca avantajı, ədədi işlemleri optimize edilmiş yerel çekirdeklere aktarabilən geniş yazılım ekosistemidir. Araştırmanın sonucu, Python’ın bu kitabxanalerden yoksun kaldığında dil düzeyindeki yorumlama maliyetinin belirginleştiğini göstərir. Sonuç, PyTorch ilə eğitilən bir modelin aynı C++ modelinden 315 kat yavaş olacşəbəkəını göstermemektedir.

Bellek istifadəsinda hansı dil öne çıkmıştır?

C və C++ ortalama 3,5 MiB, Rust 3,7 MiB pik yerleşik yaddaş kullanmıştır. Go’nun ortalaması 6,3 MiB, Python’ın 27,6 MiB və Julia’nın 224,2 MiB olarak ölçülmüşdür.

11. sayfadaki logaritmik yaddaş grafiğinde Julia’nın sütunları bütün iş yüklerinde yaklaşık aynı yükseklikte və diğer dillərin belirgin biçimde üzərində görünmektedir. Bu vəziyyət, Julia’nın JIT kompilyatorsi və iş zamanı üçün sabit bir başlangıç maliyeti taşıdığı yorumunu dəstəkləyir. Uzun süre çalışan və büyük vəri işleyen tətbiqlərda bu sabit maliyetin göreli önemi azalabilir; ancak küçük və kısa süreli işlemlerde və ya düşük yaddaşli cihazlarda əhəmiyyətli olabilir.

Kod uzunluğu realten üretkenliği ölçüyor mu?

Beş alqoritmdaki toplam kod sətri sayısı C++ üçün 397, C və Python üçün 406, Rust üçün 474, Julia üçün 514 və Go üçün 541 olarak bildirilmişdir. Python’ın C’den daha kısa olmaması, tədqiqatnın en diqqət çekici bulgularından biridir.

Ancaq kod sətri sayısı inkişaf süresi, bakım kolaylığı, hata oranı, okunabilirlik və ya tərtibatçı deneyimiyle aynı şey değildir. Tədqiqat tərtibatçılerin alqoritmlərı yazmak üçün harcadığı real zamanı ya da hata ayıklama maliyetini ölçmemiştir. Bu nə üçünle satır sayısı yalnızca sınırlı bir tətbiq karmaşıklığı göstəricisidir.

Rust’ın daha uzun kompilyasiya süresi, tədqiqatda keçid zamanı optimizasyonu və tək kod üretim birimi gibi yoğun optimizasyon ayarlarıyla birlikte değerlendirilmelidir. Go’nun yaklaşık 2,5 MB ölçüsündeki faylsı ise iş zamanı və çöp toplayıcının icra olunan faylya dâhil edilmesiyle ilişkiləndirilmiştir.

12. sayfadaki radar grafik ne göstərir?

Radar grafik sürət, yaddaş, ikili fayl ölçüsü, kompilyasiya və kod sətri meyarlarıni daha yüksek değer daha iyi olacak şekilde normalize etmektedir. C ilə C++ çizgiləri neredeyse tamamen örtüşmektedir. Rust sürət və yaddaş eksenlerinde bu iki dilə yaklaşırken kompilyasiya və fayl ölçüsünde geride kalmaktadır.

Julia ilə Python kod sətri ekseninde bir ölçüde toparlanırken iş zamanı və yaddaş eksenlerinde daha düşük değer almaktadır. Ancaq farklı niteliktəki meyarların tək bir grafikte normalize edilmesi, bir dilin bütün projeler üçün genel olarak üstün olduğu anlamına gelmez. Projenin hansı eksene daha fazla önem vərdiği ayrıca belirlenmelidir.

Dil sıralaması iş yüküne göre nə üçün değişmektedir?

Go’nun C’ye göre yavaşıma oranı k-NN’de yaklaşık 2,6 kat, k-means testinde yaklaşık 8 kattır. k-means, MLP və bulanık çıkarım testleri yoğun kayan nokta hesablamaları və indirgemeler içerirken k-NN müqayisə və indekslemeye daha fazla çəki vərmektedir. Derleyici optimizasyonları, sınır denetimleri, yaddaş yerleşimi və iş zamanı davranışı bu işlem türlerinde farklı etkilər gösterebilir.

Julia en güclü göreli sonucunu genetik alqoritmda vərmiştir. Tədqiqatçılar bunu genetik alqoritmnın dallanma çəkilı yapısının agresif biçimde optimize edilən sistem dillərinin bazı avantajlarını azaltmasıyla ilişkiləndirmektedir. Bu açıklama makul bir yorum olarak sunulmuştur; ancak aparat sayaçları və ya düşük seviyeli işlemci profilleriyle doğrudan sınanmamıştır.

Tədqiqatnın destəklediği nəticələr nelerdir?

• Kütüphanesiz və sıfırdan yazılmış klasik süni intellekt alqoritmlərında C və C++ iş vaxtı ilə yaddaş baxımından en güclü katmanı oluşturmuştur.
• Rust, istifadə olunan optimizasyon ayarları altında C’nin geometrik ortalama olarak %9 gerisinde kalmış və benzer yaddaş istehlakı göstərmişdir.
• Julia, iş vaxtınde çoğu testte Go’dan daha sürətli olmakla birlikte çok daha yüksek sabit yaddaş yükü taşımıştır.
• Go’nun göreli başarımı alqoritmnın hesablama yapısına göre əhəmiyyətli ölçüde değişmiştir.
• Python, optimize edilmiş yerel kitabxanaler olmadan açık döngülerle çalıştırıldığında diğer dillərden çok daha yavaş nəticə vərmiştir.
• Dil seçimi yalnızca iş vaxtıyle değil, yaddaş, fayl ölçüsü, kompilyasiya süresi, güvənlik və hedef tədqiqat ortamıyla birlikte değerlendirilmelidir.

Tədqiqat neyi sübut etmir?

• Python ilə geliştirilən bütün süni intellekt tətbiqlərının C’den 315 kat yavaş olduğunu sübut etmir.
• PyTorch, TensorFlow, NumPy, JAX və ya GPU kitabxanalerinin real performansını müqayisə etmir.
• C++ və ya Rust’ın bütün aparat, əməliyyat sistemi və alqoritmlərda en iyi dil olduğunu göstermemektedir.
• Kod satırı sayısının real inkişaf süresini və ya programcı üretkenliğini temsil ettiğini sübut etmir.
• Enerji istehlakıni, paralel ölçeklenebilirliği, GPU başarımını, şəbəkə gecikməsini və ya dşəbəkəıtık sistem davranışını ölçmemektedir.
• Modern transformer, büyük dil modeli və ya büyük ölçekli derin öyrənmə təliminin işlem yapısını doğrudan temsil etmemektedir.

Tədqiqatnın güclü tərəfləri nelerdir?

• Altı dilde aynı beş alqoritm sıfırdan uygulanmıştır.
• Girdilər ortak bir sözde təsadüfi sayı üreteciyle eşlenmiştir.
• Başlangıç, eşitlik bozma və durdurma kuralları açıkça tanımlanmıştır.
• Çıktı parmak izleriyle hesablamaların eşdeğerliği denetlenmiştir.
• Her süre ölçümü üç ısınma və on ölçüm çalıştırmasıyla yapılmıştır.
• Süre dışında yaddaş, fayl ölçüsü, kod sətri və kompilyasiya maliyeti de değerlendirilmiştir.
• Farklı hesablama biçimlerine sahip beş alqoritm kullanılarak iş yüküne bşəbəkəlı değişim gösterilmiştir.

Tədqiqatnın temel məhdudiyyətləri nelerdir?

Bütün ölçümler tək bir Apple M1 Pro bilgisayarda və macOS üzərində yapılmıştır. Aynı kodların x86-64 işlemcilərde, Linux və ya Windows üzərində, başka kompilyatorlerle və farklı yaddaş mimarilərinde aynı oranları vərmesi garanti değildir.

Julia ölçümleri başlangıç və JIT kompilyasiya maliyetini içermektedir. Kısa süreli testlerde bu maliyet toplam sürenin əhəmiyyətli bölümünü oluşturabilir; uzun süre çalışan tətbiqlərda ise çok sayıda işlem arasında paylaştırılabilir. Bu nə üçünle Julia’nın nəticələrı kalıcı bir servis ilə tək seferlik bir komut satırı işlemi üçün farklı anlam taşır.

Harici kitabxanaler, SIMD, elle vəktörleştirme və GPU kullanılmaması dilin temel tədqiqat biçimini incelemeyi kolaylaştırmıştır; ancak real süni intellekt yazılımlarının performansını temsil etme gücünü azaltmıştır. Modern sistemlerde şəbəkəır matris işlemleri genellikle BLAS, CUDA, Metal və ya başka yerel çekirdeklerde yürütülmektedir.

Sayısal eşlenebilirlik amacıyla üstel, logaritmik, karekök və trigonometrik fonksiyonlardan kaçınılması, real makine öyrənməsi iş yüklerinin bazı əhəmiyyətli işlem türlerini kapsam dışında bırakmıştır. MLP modeli de güncel derin şəbəkəlardan çok, kontrollü bir yoğun hesablama çekirdeği olarak değerlendirilmelidir.

Tədqiqatnın Yöntemi və Bulguları

Deney düzeninin təknik özeti

Üç temel performans katmanı

1. Yüksek performans katmanı: C, C++ və Rust. C ilə C++ pratik olarak aynı düzeyde, Rust ise geometrik ortalamada %9 geridedir.
2. Orta katman: Julia və Go. Julia C’den 3,30 kat, Go 5,01 kat daha uzun iş vaxtı göstərmişdir.
3. Yorumlayıcı katman: Kütüphanesiz Python, C’nin 314,6 katı geometrik ortalama süreye ulaşmıştır.

Hız və yaddaş birlikte değerlendirildiğinde

C və C++ hem süre hem yaddaş baxımından en düşük değerleri sşəbəkəlamıştır. Rust, çok küçük bir yaddaş farkıyla bu ikiliye yakın kalmıştır. Julia’nın Go’dan daha sürətli olduğu çoğu testte yaklaşık 224 MiB sabit yaddaş yükü bulunurken Go 10 MiB’ın altında kalmıştır. Bu nə üçünle Julia ilə Go arasındaki tercih yalnızca süreye göre yapılamaz.

Kaynakları sınırlı və kısa süreli bir uç tətbiqda Julia’nın sabit iş zamanı maliyeti əhəmiyyətli olabilir. Uzun süre açık kalan, çok sayıda hesablama yürüten bir servis üçün aynı maliyet işlemler arasında paylaştırılabilir. Go daha büyük icra olunan fayl üretmesine rşəbəkəmen tədqiqat sırasındaki yaddaş istehlakı Julia və Python’dan düşük kalmıştır.

Uygulama dili seçimi üçün tədqiqatdan çıkarılabiləcek pratik çərçivə

Sonuçların doğru kullanım biçimi

Tədqiqat, “en iyi süni intellekt dili” üçün evrensel bir sıralama sunmamaktadır. Sonuçlar, kitabxanasiz klasik alqoritmlərın tək çekirdekli və ya sınırlı paralelliktəki CPU tətbiqlərına ilişkin kontrollü bir müqayisədır. Bir dil seçimi yapılırken real alqoritm, hedef işlemci, yaddaş sınırı, əməliyyat sistemi, güvənlik gereksinimi, ekip deneyimi, kullanılacak kitabxanaler və yazılımın ne kadar süre çalışacşəbəkəı birlikte değerlendirilmelidir.

Kaynak və Yöntem Notu

Tədqiqatnın tam özgün adı: Behind Python: The Languages That Power AI

Yazarlar: Juan P. Licona-Luque, Beatriz A. Bosques-Palomo, Nezih Nieto-Gutiérrez, Gustavo de los Ríos-Alatorre və Luis A. Muñoz-Ubando

Yazar sıralaması: Yukarıdaki liste tədqiqatdaki özgün müəllif sıralamasını korumaktadır.

Eş birinci müəllif bilgisi: Tədqiqatda eşit katkı və ya eş birinci müəlliflık bilgisi yer almamaktadır.

Sorumlu müəllif bilgisi: Tədqiqatda açık bir sorumlu müəllif beyanı bulunmamaktadır. arXiv başvurusu Juan P. Licona-Luque tarafından yapılmıştır; bu bilgi sorumlu müəlliflık olarak yorumlanmamıştır.

Kurum: Tecnológico de Monterrey, Monterrey, Nuevo León, Mçatışmayana

DOI:10.48550/arXiv.2606.18141

Dergi: Tədqiqat bir dergide yayımlanmamıştır.

Özgün nəşrevi: Özgün bir dergi nəşrevi bilgisi bulunmamaktadır.

Yayın platformu: arXiv

arXiv kimliği: arXiv:2606.18141 [cs.PL]

Yayın yılı: 2026

Kaynak türü: Kontrollü deneysel performans kıyaslaması niteliğinde preprint

Hakemlik vəziyyətu: Bu tədqiqat hakem değerlendirmesinden geçtiği doğrulanmamış bir preprinttir; nəticələrı bu məhdudiyyət diqqəte alınarak okunmalıdır.

Resmî keçid:arXiv tədqiqat sayfası

Bu Türkçe makale, yüklenen 17 sayfalık tədqiqatnın metni, formülü, tabloları və grafiklerinin tamamı incelenerek hazırlanmıştır. Performans değerleri, yaddaş tüketimleri, araç zincirleri və alqoritm parametreleri yalnızca tədqiqatda bildirilən bilgilərden aktarılmıştır. Dış mənbəlar yalnızca başlıq, müəlliflar, DOI, platform, tarih və nəşr vəziyyətunun bibliyografik doğrulaması üçün istifadə edilmişdir.

Tədqiqatnın temel məhdudiyyətləri tək aparat və əməliyyat sistemi kullanılması, xarici kitabxanalerin və GPU’nun dışarıda bırakılması, Julia’nın başlangıç və JIT maliyetinin ölçümlere dâhil edilmesi, modern derin öyrənmə çekirdeklerinin sınanmaması və kod sətri sayısının inkişaf üretkenliğinin doğrudan ölçüsü olmamasıdır. Bu nəticələr modern süni intellekt çərçivəlerinin, büyük dil modellerinin və ya GPU təlimlerinin genel performans müqayisəsı olarak yorumlanmamalıdır.