Бул изилдөө, k-means, k-en yakın komşu, çok katmanlı algılayıcı, genэтикалык алгоритм жана Mamdani bulanık çıkarım sistemini Python, C, C++, Rust, Go жана Julia тилдерinde тышкы сандык китепкана kullanmadan нөлдөн ишке ашырып иштөө убактысы, эң жогорку эс керектөө, аткарылуучу файл өлчөмү, код сабы sayısı жана компиляция süresini karşılaştırmıştır. Apple M1 Pro үстүндө yapılan deneylerde C жана C++ hemen hemen aynı ылдамдык düzeyinde yer almış, Rust geometrik ortalamada C’den %9 daha жай kalmıştır. Julia C’nin 3,30 katı, Go 5,01 katı жана Python 314,6 katı иштөө убактысы көрсөткөн. Бирок натыйжалар бир bir аппараттык жабдык жана операциялык системаne, küçük жана klasik жасалма интеллект алгоритмдерına жана китепканаsiz ишке ашырууларa dayandığından modern GPU modellerine же NumPy жана PyTorch kullanan чыныгы Python ишке ашырууларına doğrudan genellenemez.

Bellek натыйжаларı иштөө убактысы sıralamasından farklı bir görünüm sunmuştur. C, C++ жана Rust bütün тестlerde 6 MiB’ın шартында kalırken Go ortalama 6,3 MiB, Python 27,6 MiB жана Julia 224,2 MiB эң жогорку yerleşik эс kullanmıştır. Julia’nın yüksek değeri, тест маалыматsinden büyük ölçüde bтармакımsız görünen иштөө убактысы жана tam zamanında компиляция yükünü yansıtmaktadır. Dil sıralamalarının жумуш жүгүne bтармакlı olduğu da gösterilmiştir: Go’nun C’ye göre жайлоо oranı k-NN’de yaklaşık 2,6 kat iken k-means тестinde yaklaşık 8 kata çıkmıştır.

Түркия жагынан баалоо: Bulgular Түркияда жасалма интеллект altyapısı, gömülü sistemler, endüstriyel otomasyon, robotik, yerel çıkarım servisleri жана булакları sınırlı uç cihazlar geliştiren ekipler açısından önem taşımaktadır. Изилдөө, алгоритмnın doğrudan жана китепканаsiz uygulanması gereken абалlarda тил seçiminin süre жана эс үстүндө büyük fark oluşturabмененceğini көрсөтөт. Түркияда kullanılacak bir бирnoloji kararı öncesinde aynı kıyaslamaların hedeflenen x86-64 же ARM işlemcмененrde, Linux жана Windows ortamlarında, чыныгы маалымат kümeleriyle, колдонулган yerli же институционалдык yazılım yığınıyla жана gerektiğinde GPU ылдамдыкlandırmasıyla бирrarlanması gerekir. Изилдөөdan Түркиядаki bütün жасалма интеллект projelerinde C++ же Rust’ın zorunlu olarak en iyi seçim olduğu ya da Python’ın чыныгы колдонмоlarda yüzlerce kat жай çalışacтармакı sonucu çıkarılamaz.

Araştırmanın негизги сурооsu эмне?

Araştırma, жасалма интеллект иштеп чыгуучуsinin hazır bir китепканаye başvuramadığı абалda кайсы программалоо тилini seçmesi gerektiğini incelemektedir. Böyle bir абал, ilgili алгоритмnın henüz bir китепкана ишке ашырууsının bulunmaması, hedef cihazın булакlarının sınırlı olması же yeni bir жасалма интеллект altyapısının temel bмененşenlerinin geliştirilmesi sırasında ortaya çıkabilir.

Изилдөөnın çıkış noktası, жасалма интеллект ишке ашырууларında görünen тил менен тармакır эсептөөyı yapan тилin çoğu zaman aynı olmamasıdır. Python; deney tasarımı, маалымат akışı жана model çтармакrıları үчүн kullanılsa da NumPy, PyTorch жана benzeri yapıların performans açısından kritik эсептөөları çoğunlukla derlenmiş yerel kodlara aktarılır. Демек Python менен çalışan bir китепканаnin ылдамдыкı, yalnızca Python yorumlayıcısının ылдамдыкını temsil etmez.

Изилдөөчүлөр bu karışıklığı ortadan kaldırmak үчүн bütün алгоритмдерı Python, C, C++, Rust, Go жана Julia тилдерinde тышкы makine үйрөнүүsi же сандык эсептөө китепканаleri болбостон нөлдөн uygulamıştır. Böylece gözlenen farkların mümkün olduğunca üçüncü taraf китепканаlerden değil, тил ишке ашырууларından, компиляторlerden жана иштөө убактысы sistemlerinden булакlanması amaçlanmıştır.

Literatürde кайсы boşluk hedeflenmiştir?

Programlama тилдерi daha önce иштөө убактысы, энергия керектөө, эс колдонулушу жана kod иштеп чыгуу maliyeti жагынан салыштырылган. Бирок geleneksel тил kıyaslamaları çoğunlukla sıralama, özyineleme, тармакaç işleme же küçük сандык çekirdekler gibi genel amaçlı iş yüklerini kullanmaktadır. Bu iş yükleri, жасалма интеллект алгоритмдерında görülen iteratif optimizasyon, yoğun kayan nokta эсептөөsı, nüfus tabanlı arama жана kural tabanlı çıkarım biçimlerini aynı anda temsil etmeyebilir.

Diğer taraftan жасалма интеллект bтармакlamındaki birçok тил салыштырууsı, hazır жана yüksek düzeyde optimize eтилmiş китепканаleri kullanmaktadır. Python жана Julia programlarının aynı yerel сандык çekirdeği çтармакırdığı bir тестte elde eтилen süre, üst düzey тилдерden çok alttaki C, C++, Rust же GPU ишке ашырууsını ölçebilir. Изилдөө, bu iki салыштыруу türü арасындаki boşluğu китепканаsiz жана algoritmik olarak eşleştirilmiş ишке ашырууларla doldurmayı hedeflemiştir.

Hangi тилдер жана araç zincirleri салыштырылган?

Deneyler altı performans жана iki маалыматmlilik çekirdeğine sahip Apple M1 Pro işlemcili, 16 GB birleşik эсli bir MacBook үстүндө жана macOS операциялык системаnde yürütülmüştür. SIMD içsel işlevleri, elle жанаktörleştirme жана тышкы сандык китепканаler kullanılmamıştır.

Beş жасалма интеллект алгоритмsı эмне үчүн seçilmiştir?

Algoritmalar güncel жасалма интеллектnın en мененri modellerini temsil etmek үчүн değil, farklı эсептөө biçimlerini kontrollü жана бирrar üretмененbilir şekilde sınamak үчүн seçilmiştir. Beş алгоритм маалымат madenciliği, örnek tabanlı үйрөнүү, sinir тармакı окутууi, evrimsel эсептөө жана bulanık mantık alanlarını kapsamaktadır.

Diller арасында aynı эсептөө кантип sтармакlanmıştır?

Изилдөөчүлөр bütün тилдерde aynı алгоритм белгилериni, başlangıç koşullarını, eşitlik bozma kurallarını жана durdurma критерийлериni kullanmıştır. Rastgele girтилerin eşlenmesi үчүн her тилde 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 абалu; a çarpanı жана c artış sabitini көрсөтөт. Изилдөөda:

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

olarak belirlenmiştir.

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

Buradaki >> 33 işlemi, 64 bitlik абалun 33 bit sтармакa kaydırılmasını ifade eder. Elde eтилen tamsayı 2³¹ değerine bölünerek boyutsuz bir sözde кокус sayı oluşturulur. Her тилde sayıların aynı sırayla tüketilmesi, deney girтилerinin eşlenmesini sтармакlamıştır.

Dillerin matematik китепканаleri арасында fark oluşmaması үчүн karekök, üstel, logaritma жана kosinüs gibi aşkın fonksiyonlardan kaçınılmıştır. k-NN жана k-means тестlerinde karekök yerine karesi alınmış Öklid uzaklığı колдонулган. MLP’de sigmoid же softmax yerine ReLU жана ortalama karesel hata uygulanmıştır. Genэтикалык алгоритмda kosinüs içeren Rastrigin fonksiyonu yerine polinom biçimindeki Rosenbrock fonksiyonu seçilmiştir.

Her program tamsayı жана kayan noktalı bir çıktı parmak izi üretmiştir. Tamsayı parmak izleri altı тилde tamamen eşleşmiş, kayan noktalı özetler altı ondalık basamтармакa kadar aynı bulunmuştur. Derleyicмененrin birleşik çarpma-toplama işlemi uygulayabilmesi эмне үчүнiyle изилдөө, bütün kayan noktalı ara натыйжаларın mutlak biçimde bit düzeyinde eşit olduğunu göstermemektedir.

Süre жана эс кантип өлчөнгөн?

Her тил–алгоритм çifti üç ısınma çalıştırmasının ardından on kez өлчөнгөн. Duvar saati süresi hyperfine, эң жогорку yerleşik эс колдонулушу ise macOS үстүндөki /usr/bin/time -l жана ru_maxrss değeriyle belirlenmiştir. Standart çıktı /dev/null hedefine yönlendirilmiş, ancak ölü kod elemesini engellemek үчүн programlar parmak izlerini yine de hesaplayıp yazdırmıştır.

Изилдөө süresi жана эс dışında derlenmiş файлnın өлчөмү, beş ишке ашырууnın toplam код сабы sayısı жана önэс temizlendikten sonraki soğuk компиляция süresi de өлчөнгөн. Farklı алгоритмдерdaki жайлоо oranları, C тилine göre normalize eтилdikten sonra geometrik ortalamayla birleştirilmiştir.

Изилдөө süresi натыйжаларı ne көрсөтөт?

En ылдам performans katmanını C, C++ жана Rust oluşturmuştur. C менен C++ арасындаki farklar beş тестte de %2’nin шартында kalmıştır. C++ k-means, k-NN, MLP жана genэтикалык алгоритм тестlerinde küçük farklarla öne çıkarken C, bulanık çıkarım тестinde daha düşük süre жанаrmiştir. Rust’ın C’ye göre geometrik ortalama жайлоо oranı 1,09’dur.

Изилдөөnın 9. sayfasındaki logaritmik grafik, üç performans katmanını görsel olarak açık biçimde ayırmaktadır. C, C++ жана Rust sütunları grafiğin alt bölümünde birbirine çok yakın görünürken Julia жана Go orta bölgede yer almaktadır. Python sütunları bütün алгоритмдерda diğer тилдерin çok үстүндө bulunmaktadır.

Python’ın C’ye göre farkı алгоритмya bтармакlı olarak değişmiştir. En düşük oran dallanma салмакlı genэтикалык алгоритмda yaklaşık 149 kat, en yüksek oran ise yoğun aritmэтикалык içeren k-means тестinde yaklaşık 463 kattır. Bu натыйжа, Python’ın bütün iş yüklerinde бир bir sabit oranda жай olmadığını көрсөтөт.

Python үчүн 315 kat sonucu кантип yorumlanmalıdır?

314,6 katlık değer, Python’da yazılmış bütün жасалма интеллект ишке ашырууларının C’den bu oranda жай olduğu anlamına gelmemektedir. Изилдөө Python kodunu NumPy, PyTorch, Numba, Cython, JAX же başka bir yerel эсептөө китепканаsi болбостон, açık döngüler жана skaler işlemlerle çalıştırmıştır.

Python’ın чыныгы жасалма интеллект иштеп чыгууdeki başlıca avantajı, сандык işlemleri optimize eтилmiş yerel çekirdeklere aktarabмененn geniş yazılım ekosistemidir. Araştırmanın sonucu, Python’ın bu китепканаlerden yoksun kaldığında тил düzeyindeki yorumlama maliyetinin belirginleştiğini көрсөтөт. Sonuç, PyTorch менен eğitмененn bir modelin aynı C++ modelinden 315 kat жай olacтармакını göstermemektedir.

Bellek колдонулушуnda кайсы тил öne çıkmıştır?

C жана C++ ortalama 3,5 MiB, Rust 3,7 MiB эң жогорку yerleşik эс kullanmıştır. Go’nun ortalaması 6,3 MiB, Python’ın 27,6 MiB жана Julia’nın 224,2 MiB olarak өлчөнгөн.

11. sayfadaki logaritmik эс grafiğinde Julia’nın sütunları bütün iş yüklerinde yaklaşık aynı yükseklikte жана diğer тилдерin belirgin biçimde үстүндө görünmektedir. Bu абал, Julia’nın JIT компиляторsi жана иштөө убактысы үчүн sabit bir başlangıç maliyeti taşıdığı yorumunu колдойт. Uzun süre çalışan жана büyük маалымат işleyen ишке ашырууларda bu sabit maliyetin göreli önemi azalabilir; ancak küçük жана kısa süreli işlemlerde же düşük эсli cihazlarda маанилүү olabilir.

Kod uzunluğu чыныгыten üretkenliği ölçüyor mu?

Beş алгоритмdaki toplam код сабы sayısı C++ үчүн 397, C жана Python үчүн 406, Rust үчүн 474, Julia үчүн 514 жана Go үчүн 541 olarak билдирилген. Python’ın C’den daha kısa olmaması, изилдөөnın en көңүл буруу çekici bulgularından biridir.

Бирок код сабы sayısı иштеп чыгуу süresi, bakım kolaylığı, hata oranı, okunabilirlik же иштеп чыгуучу deneyimiyle aynı şey değildir. Изилдөө иштеп чыгуучуlerin алгоритмдерı yazmak үчүн harcadığı чыныгы zamanı ya da hata ayıklama maliyetini ölçmemiştir. Bu эмне үчүнle satır sayısı yalnızca sınırlı bir ишке ашыруу karmaşıklığı көрсөткүчsidir.

Rust’ın daha uzun компиляция süresi, изилдөөda шилтеме zamanı optimizasyonu жана бир kod üretim birimi gibi yoğun optimizasyon ayarlarıyla birlikte değerlendirilmelidir. Go’nun yaklaşık 2,5 MB өлчөмүndeki файлsı ise иштөө убактысы жана çöp toplayıcının аткарылуучу файлya dâhil eтилmesiyle ilişkмененndirilmiştir.

12. sayfadaki radar grafik ne көрсөтөт?

Radar grafik ылдамдык, эс, ikili файл өлчөмү, компиляция жана код сабы критерийлериni daha yüksek değer daha iyi olacak şekilde normalize etmektedir. C менен C++ çizgмененri neredeyse tamamen örtüşmektedir. Rust ылдамдык жана эс eksenlerinde bu iki тилe yaklaşırken компиляция жана файл өлчөмүnde geride kalmaktadır.

Julia менен Python код сабы ekseninde bir ölçüde toparlanırken иштөө убактысы жана эс eksenlerinde daha düşük değer almaktadır. Бирок farklı nitelikбирi критерийлериn бир bir grafikte normalize eтилmesi, bir тилin bütün projeler үчүн genel olarak üstün olduğu anlamına gelmez. Projenin кайсы eksene daha fazla önem жанаrdiği ayrıca belirlenmelidir.

Dil sıralaması жумуш жүгүne göre эмне үчүн değişmektedir?

Go’nun C’ye göre жайлоо oranı k-NN’de yaklaşık 2,6 kat, k-means тестinde yaklaşık 8 kattır. k-means, MLP жана bulanık çıkarım тестleri yoğun kayan nokta эсептөөları жана indirgemeler içerirken k-NN салыштыруу жана indekslemeye daha fazla салмак жанаrmektedir. Derleyici optimizasyonları, sınır denetimleri, эс yerleşimi жана иштөө убактысы davranışı bu işlem türlerinde farklı etkмененr gösterebilir.

Julia en кубатlü göreli sonucunu genэтикалык алгоритмda жанаrmiştir. Изилдөөчүлөр bunu genэтикалык алгоритмnın dallanma салмакlı yapısının agresif biçimde optimize eтилen sistem тилдерinin bazı avantajlarını azaltmasıyla ilişkмененndirmektedir. Bu açıklama makul bir yorum olarak sunulmuştur; ancak аппараттык жабдык sayaçları же düşük seviyeli işlemci profilleriyle doğrudan sınanmamıştır.

Изилдөөnın desбирlediği натыйжалар nelerdir?

• Kütüphanesiz жана нөлдөн yazılmış klasik жасалма интеллект алгоритмдерında C жана C++ иштөө убактысы менен эс жагынан en кубатlü katmanı oluşturmuştur.
• Rust, колдонулган optimizasyon ayarları шартында C’nin geometrik ortalama olarak %9 gerisinde kalmış жана benzer эс керектөө көрсөткөн.
• Julia, иштөө убактысыnde çoğu тестte Go’dan daha ылдам olmakla birlikte çok daha yüksek sabit эс yükü taşımıştır.
• Go’nun göreli başarımı алгоритмnın эсептөө yapısına göre маанилүү ölçüde değişmiştir.
• Python, optimize eтилmiş yerel китепканаler болбостон açık döngülerle çalıştırıldığında diğer тилдерden çok daha жай натыйжа жанаrmiştir.
• Dil seçimi yalnızca иштөө убактысыyle değil, эс, файл өлчөмү, компиляция süresi, güжанаnlik жана hedef изилдөө ortamıyla birlikte değerlendirilmelidir.

Изилдөө neyi далилдебейт?

• Python менен geliştirмененn bütün жасалма интеллект ишке ашырууларının C’den 315 kat жай olduğunu далилдебейт.
• PyTorch, TensorFlow, NumPy, JAX же GPU китепканаlerinin чыныгы performansını салыштырбайт.
• C++ же Rust’ın bütün аппараттык жабдык, операциялык система жана алгоритмдерda en iyi тил olduğunu göstermemektedir.
• Kod satırı sayısının чыныгы иштеп чыгуу süresini же programcı üretkenliğini temsil ettiğini далилдебейт.
• Enerji керектөөni, paralel ölçeklenebilirliği, GPU başarımını, тармак кечигүүsini же dтармакıtık sistem davranışını ölçmemektedir.
• Modern transformer, büyük тил modeli же büyük ölçekli derin үйрөнүү окутууinin işlem yapısını doğrudan temsil etmemektedir.

Изилдөөnın күчтүү жактары nelerdir?

• Altı тилde aynı beş алгоритм нөлдөн uygulanmıştır.
• Girтилer ortak bir sözde кокус sayı üreteciyle eşlenmiştir.
• Başlangıç, eşitlik bozma жана durdurma kuralları açıkça tanımlanmıştır.
• Çıktı parmak izleriyle эсептөөların eşdeğerliği denetlenmiştir.
• Her süre ölçümü üç ısınma жана on ölçüm çalıştırmasıyla yapılmıştır.
• Süre dışında эс, файл өлчөмү, код сабы жана компиляция maliyeti de değerlendirilmiştir.
• Farklı эсептөө biçimlerine sahip beş алгоритм kullanılarak жумуш жүгүne bтармакlı değişim gösterilmiştir.

Изилдөөnın temel чектөөлөрү nelerdir?

Bütün ölçümler бир bir Apple M1 Pro bilgisayarda жана macOS үстүндө yapılmıştır. Aynı kodların x86-64 işlemcмененrde, Linux же Windows үстүндө, başka компиляторlerle жана farklı эс mimarмененrinde aynı oranları жанаrmesi garanti değildir.

Julia ölçümleri başlangıç жана JIT компиляция maliyetini içermektedir. Kısa süreli тестlerde bu maliyet toplam sürenin маанилүү bölümünü oluşturabilir; uzun süre çalışan ишке ашырууларda ise çok sayıda işlem арасында paylaştırılabilir. Bu эмне үчүнle Julia’nın натыйжаларı kalıcı bir servis менен бир seferlik bir komut satırı işlemi үчүн farklı anlam taşır.

Harici китепканаler, SIMD, elle жанаktörleştirme жана GPU kullanılmaması тилin temel изилдөө biçimini incelemeyi kolaylaştırmıştır; ancak чыныгы жасалма интеллект yazılımlarının performansını temsil etme gücünü azaltmıştır. Modern sistemlerde тармакır matris işlemleri genellikle BLAS, CUDA, Metal же başka yerel çekirdeklerde yürütülmektedir.

Sayısal eşlenebilirlik amacıyla üstel, logaritmik, karekök жана trigonometrik fonksiyonlardan kaçınılması, чыныгы makine үйрөнүүsi iş yüklerinin bazı маанилүү işlem türlerini kapsam dışında bırakmıştır. MLP modeli de güncel derin тармакlardan çok, kontrollü bir yoğun эсептөө çekirdeği olarak değerlendirilmelidir.

Изилдөөnın Yöntemi жана Bulguları

Deney düzeninin бирnik özeti

Üç temel performans katmanı

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

Hız жана эс birlikte değerlendirildiğinde

C жана C++ hem süre hem эс жагынан en düşük değerleri sтармакlamıştır. Rust, çok küçük bir эс farkıyla bu ikiliye yakın kalmıştır. Julia’nın Go’dan daha ылдам olduğu çoğu тестte yaklaşık 224 MiB sabit эс yükü bulunurken Go 10 MiB’ın шартында kalmıştır. Bu эмне үчүнle Julia менен Go арасындаki tercih yalnızca süreye göre yapılamaz.

Kaynakları sınırlı жана kısa süreli bir uç ишке ашырууda Julia’nın sabit иштөө убактысы maliyeti маанилүү olabilir. Uzun süre açık kalan, çok sayıda эсептөө yürüten bir servis үчүн aynı maliyet işlemler арасында paylaştırılabilir. Go daha büyük аткарылуучу файл üretmesine rтармакmen изилдөө sırasındaki эс керектөө Julia жана Python’dan düşük kalmıştır.

Uygulama тилi seçimi үчүн изилдөөdan çıkarılabмененcek pratik алкак

Sonuçların doğru kullanım biçimi

Изилдөө, “en iyi жасалма интеллект тилi” үчүн evrensel bir sıralama sunmamaktadır. Sonuçlar, китепканаsiz klasik алгоритмдерın бир çekirdekli же sınırlı paralellikбирi CPU ишке ашырууларına ilişkin kontrollü bir салыштырууdır. Bir тил seçimi yapılırken чыныгы алгоритм, hedef işlemci, эс sınırı, операциялык система, güжанаnlik gereksinimi, ekip deneyimi, kullanılacak китепканаler жана yazılımın ne kadar süre çalışacтармакı birlikte değerlendirilmelidir.

Kaynak жана Yöntem Notu

Изилдөөnın 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 жана Luis A. Muñoz-Ubando

Yazar sıralaması: Yukarıdaki liste изилдөөdaki özgün автор sıralamasını korumaktadır.

Eş birinci автор bilgisi: Изилдөөda eşit katkı же eş birinci авторlık bilgisi yer almamaktadır.

Sorumlu автор bilgisi: Изилдөөda açık bir sorumlu автор beyanı bulunmamaktadır. arXiv başvurusu Juan P. Licona-Luque tarafından yapılmıştır; bu bilgi sorumlu авторlık olarak yorumlanmamıştır.

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

DOI:10.48550/arXiv.2606.18141

Dergi: Изилдөө bir dergide yayımlanmamıştır.

Özgün жарыялооevi: Özgün bir dergi жарыялооevi bilgisi bulunmamaktadır.

Yayın platformu: arXiv

arXiv kimliği: arXiv:2606.18141 [cs.PL]

Yayın yılı: 2026

Kaynak türü: Kontrollü deneysel performans kıyaslaması niteliğinde preprint

Hakemlik абалu: Бул изилдөө hakem değerlendirmesinden geçtiği doğrulanmamış bir preprinttir; натыйжаларı bu чектөө көңүл бурууe alınarak okunmalıdır.

Resmî шилтеме:arXiv изилдөө sayfası

Bu Түркçe makale, yüklenen 17 sayfalık изилдөөnın metni, formülü, tabloları жана grafiklerinin tamamı incelenerek hazırlanmıştır. Performans değerleri, эс tüketimleri, araç zincirleri жана алгоритм parametreleri yalnızca изилдөөda bildirмененn bilgмененrden aktarılmıştır. Dış булакlar yalnızca аталыш, авторlar, DOI, platform, tarih жана жарыялоо абалunun bibliyografik валидацияsı үчүн колдонулган.

Изилдөөnın temel чектөөлөрү бир аппараттык жабдык жана операциялык система kullanılması, тышкы китепканаlerin жана GPU’nun dışarıda bırakılması, Julia’nın başlangıç жана JIT maliyetinin ölçümlere dâhil eтилmesi, modern derin үйрөнүү çekirdeklerinin sınanmaması жана код сабы sayısının иштеп чыгуу üretkenliğinin doğrudan ölçüsü olmamasıdır. Bu натыйжалар modern жасалма интеллект алкакlerinin, büyük тил modellerinin же GPU окутууlerinin genel performans салыштырууsı olarak yorumlanmamalıdır.