主要观点：

• Pritam 在 Leetcode 中发现使用 Python 的min内置函数时代码变慢，内联min后性能提升，引发对 Python 中函数调用成本的讨论。
• 作者创建 3 个微基准测试来衡量在循环中调用内置函数、Python 函数及内联函数的影响，结果显示 CPython 在这三方面性能显著提升。
• 详细介绍了 CPython 中导致性能提升的具体优化，如超级指令（super instructions）、指令特化（instruction specialization）、内置函数优化（optimization of builtins）和内联 Python 到 Python 函数调用（inlining Python-to-Python function calls）等。
• 强调在将研究结果应用于代码之前，应先进行性能分析和测量。

关键信息：

• 测试的 3 个基准测试代码及相关性能数据。
• 超级指令通过融合连续字节码指令减少解释器工作和提高 CPU 执行效率。
• 指令特化将慢的BINARY_OP和COMPARE_OP指令转换为专门指令，减少指针追逐。
• LOAD_GLOBAL指令优化为LOAD_GLOBAL_BUILTIN避免字典查找。
• min和max内置函数从tp_call转换为vectorcall提高性能。
• Python 到 Python 函数调用在 CPython 3.11 中通过内联消除递归调用提高性能。
• 提到相关的 Python 提案（PEP）、CPython 错误追踪器中的讨论及其他相关资源。

重要细节：

• 测试代码中各种函数的实现及在不同 CPython 版本下的性能变化情况。
• 字节码层面的优化细节，如不同版本中字节码指令的差异及优化过程。
• 各种优化在减少解释器开销、提高 CPU 指令吞吐量等方面的作用。
• 强调性能分析和测量的重要性，避免盲目应用优化。