JetStream 3：面向高性能、计算密集型 Web 应用的现代基准测试
内容提要
Chromium 发布 JetStream 3 基准测试，与苹果、Mozilla 合作开发，聚焦计算密集型 Web 应用。相比 2019 年的 JetStream 2，新增 12 个 WebAssembly 工作负载（占 15-20%），涵盖 Rust、Kotlin 等工具链，并更新 JavaScript 测试，如 Babylon.js、TypeScript 编译等，旨在更准确反映真实性能。
延伸解读
基准测试的“过拟合”风险
文章提到古德哈特定律：当一项指标成为目标，它就不再是好的指标。JetStream 2 发布六年，引擎可能已针对其特定模式优化，导致分数与真实性能脱节。JetStream 3 更新工作负载，正是为了重新校准基准，使其更贴近实际计算密集型应用，避免引擎过度拟合旧测试。
WebAssembly 权重显著提升
JetStream 3 中 WebAssembly 工作负载占比从 7% 升至 15-20%，并新增 12 个测试，覆盖 Rust、Kotlin、Dart、Java、C# 等工具链，以及 SIMD、WasmGC 等现代特性。这反映了 Wasm 在 Web 上的普及，也促使引擎优化更全面的 Wasm 场景，而非仅限 MVP。
基准测试的工程权衡
JetStream 设计为可在引擎 shell（如 d8）中运行，相比完整浏览器，构建更快、噪声更少，便于工程师迭代。但 shell 环境与真实浏览器有差距，可能无法完全反映实际性能。这种权衡在基准测试中常见，需结合其他基准（如 Speedometer）综合评估。
Q&A
JetStream 3 是什么？
JetStream 3 是由 Chromium 项目与苹果、Mozilla 等合作开发的现代基准测试，用于评估浏览器在计算密集型 Web 应用上的性能，重点关注 JavaScript 和 WebAssembly 的执行效率。
JetStream 3 与 JetStream 2 相比有哪些主要更新？
JetStream 3 相比 JetStream 2 新增了 12 个 WebAssembly 工作负载，使 Wasm 在整体测试中的占比从 7% 提升到 15-20%，并扩展了工具链支持（如 Rust、Kotlin、Dart 等）。同时更新了 JavaScript 测试，新增了 Babylon.js、TypeScript 编译等更贴近真实应用的工作负载，并改进了评分方式以更准确反映运行时性能。
为什么需要 JetStream 3？
JetStream 2 发布于 2019 年，随着 Web 技术发展，其测试内容已不能准确反映真实性能。根据古德哈特定律，当基准成为目标时，引擎会针对其优化，导致分数与真实性能脱节。此外，WebAssembly 已从 MVP 演进到支持 SIMD、WasmGC 等特性，需要新的基准来覆盖这些变化。
JetStream 3 与 Speedometer 3 有何不同？
Speedometer 3 主要测量 UI 渲染和 DOM 操作，而 JetStream 3 专注于计算密集型任务，如游戏、物理模拟、加密和复杂算法。此外，JetStream 3 设计为可在引擎 shell（如 d8）中运行，便于开发者快速迭代和测试，而 Speedometer 需要完整浏览器环境。
JetStream 3 如何选择工作负载？
JetStream 3 选择工作负载时优先考虑真实端到端用例，避免微基准导致的过度优化。同时强调多样性，覆盖不同框架、库、语言和工具链。还设定了实际约束：总运行时间需在几分钟内，内存占用不能过高，网络传输量小，结果需确定性和可重复。
JetStream 3 新增了哪些 WebAssembly 工作负载？
JetStream 3 新增了 12 个 WebAssembly 工作负载，包括 argon2（密码哈希）、Transformers.js（客户端机器学习）、基于 Dart 和 Kotlin 的跨平台 UI（使用 WasmGC）、SQLite3（数据库）、.NET 运行时等。这些工作负载覆盖了多种工具链，如 J2CL、Dart2wasm、Kotlin/Wasm、Rust 和 .NET。
JetStream 3 在 JavaScript 测试方面有哪些更新？
JetStream 3 新增了多个 JavaScript 工作负载，如 Babylon.js（3D 引擎）、TypeScript 编译、React 服务端渲染（web-ssr）、MobX 启动性能等，并更新了 WTB 和 Sunspider。同时增加了启动类工作负载，模拟页面加载时的解析和框架初始化。
JetStream 3 的评分方式有何改进？
JetStream 3 改进了评分方式，确保运行时性能（而非仅实例化）被准确反映在总分中。这避免了以往只关注加载或初始化速度而忽略实际执行效率的问题。
