8 Millisekunden für ein Label: Warum GPUIs rein funktionales Modell an Leistungsgrenzen stößt

8 Millisekunden für ein Label: Warum GPUIs rein funktionales Modell an Leistungsgrenzen stößt

GPUIRustZedGUI-ArchitekturSignals

Quellen:blog.zortax.de + HN

Das Ändern eines einzelnen Textlabels in einer Liste mit 3.000 Zeilen kostet GPUI 8,4 Millisekunden nativer Renderzeit. Bei einem modernen Display mit 120 Hz Bildwiederholrate beträgt das gesamte Frame-Budget lediglich 8,3 Millisekunden. Eine minimale Textaktualisierung beansprucht somit die gesamte zur Verfügung stehende Zeit eines Frames. Ohne View-Caching auf ungepufferten Basiselementen schnellt dieser Wert sogar auf 92 Millisekunden empor.

Moderne Benutzeroberflächen-Frameworks abstrahieren Ansichten gerne als reine Funktionen des Anwendungszustands, um Entwicklern eine saubere, deklarative API zu bieten. Dieser Ansatz erspart das manuelle Synchronisieren von UI-Knoten, unterbricht jedoch gleichzeitig die Kette zur Ableitung feingranularer Abhängigkeiten. Der Wettbewerb unter Desktop-Frameworks verlagert sich zunehmend auf die Frage, ob ihr Zustandsmodell einen reaktiven Abhängigkeitsgraphen abbilden kann. Fehlt die Verfolgung von Leseabhängigkeiten, degeneriert selbst die kleinste Änderung unweigerlich zu einer zeitraubenden Gesamttraversierung des Komponentenbaums.

Ein einzelnes Label kostet 8,4 ms: Reine Funktionsansichten durchlaufen den gesamten Komponentenbaum

Der Editor Zed verdankt seinen Ruf vor allem seiner herausragenden nativen Performance. Belastungstests mit umfangreichen Listen decken jedoch architektonische Engpässe auf. Ein vom Entwickler zortax aufgesetzter Benchmark simuliert eine Liste mit 3.000 Zeilen, wobei für jede Zeile ein View-Cache aktiv ist. Ändert man lediglich den Text eines einzelnen Labels, benötigt GPUI 8,4 Millisekunden für die Aktualisierung – der Zeitaufwand wächst streng linear mit der Zeilenzahl.

Linearer Zusammenhang zwischen aktiven Zeilen und Frame-Dauer Abbildung: Linearer Anstieg der Frame-Dauer mit wachsender Zeilenzahl in GPUI. Selbst bei zeilenweisem View-Caching skaliert der Aktualisierungsaufwand linear mit der Baumgröße. Quelle: blog.zortax.de

Schreibt der Anwendungsentwickler für jede Zelle manuell einen Gleichheitswächter (Memoization), sinkt die Frame-Dauer schlagartig von 7,9 Millisekunden auf 0,9 Mikrosekunden. Diese drastische Diskrepanz offenbart das Kernproblem rein funktionaler Ansichten: Vom Entwickler zu verlangen, für jeden Knoten manuelle Vergleichslogik zu implementieren, untergräbt das Versprechen deklarativer Frameworks. Da dem System ein feingranularer Nachverfolgungsmechanismus fehlt, bleibt ihm bei Zustandsänderungen keine andere Wahl, als den gesamten Komponentenbaum von der Wurzel abwärts rekursiv abzugleichen.

Die Entkopplung zwischen der Granularität von Datenänderungen und dem Neuzeichnen der Ansichten ist der wunde Punkt rein funktionaler Modelle. Im render(state)-Paradigma weiß das Framework zwar, dass sich ein Zustand verändert hat, nicht aber, welche Komponenten diesen Zustand konsumieren. Um letztliche Konsistenz zu gewährleisten, muss die Rendering-Pipeline jeden einzelnen Knoten prüfen. Was beim Schreiben des Codes an Abhängigkeitsdeklarationen gespart wurde, wird in jedem Frame als Traversierungsaufwand auf der CPU fällig.

Caching-Mechanismen lösen das Problem der Gesamttraversierung nicht

Um den Verlusten durch vollständige Baumpüfungen entgegenzuwirken, führte das Zed-Team im experimentellen Branch gpui-fast einen Retention-Caching-Mechanismus ein. Im Test mit der 3.000-Zeilen-Liste sank die Aktualisierungszeit eines Labels von 8,4 Millisekunden auf 3,4 Millisekunden. Obwohl dies eine Ersparnis von rund 60 Prozent darstellt, wurden in diesem Frame tatsächlich nur 3 Views neu gezeichnet und ein einziges Element neu layoutet. 3,4 Millisekunden für das Layout eines einzelnen Elements zu benötigen, belegt, dass der Großteil der Rechenleistung weiterhin auf dem Inspektionspfad des Komponentenbaums verloren geht.

Vergleich von Zustandseigentum und Retention-Dauer Abbildung: Messungen unter verschiedenen Eigentumsmodellen und Retention-Strategien. Bei geteiltem Modell führt Retention sogar zu einer messbaren Verlangsamung. Quelle: blog.zortax.de

Wird das Szenario auf eine Multi-Pane-Oberfläche mit 60 Panels ausgeweitet, stößt die Caching-Strategie auf neue Hindernisse. Wenn der Zustand isoliert von den jeweiligen Panels verwaltet wird, spart der Cache bei Einzeländerungen bis zu 83 Prozent der Zeit. Fließen die Daten jedoch in ein zentrales, globales Zustandsmodell zusammen, führt das Caching dazu, dass das Rendern desselben Frames um 11 Prozent langsamer wird. Greifen mehrere Panels nebenläufig auf den gemeinsamen Zustand zu, übersteigen die Kosten für Cache-Invalidierungsprüfungen und Hash-Vergleiche den Gewinn durch die Wiederverwendung von Views.

Messdaten des Zed-Teams belegen, dass der Retention-Mechanismus unter alltäglicher Last zu einem leichten Performance-Rückgang von 1 bis 3 Prozent führen kann. Auch die Kernentwickler räumen ein, dass spürbare Gewinne in der Praxis vor allem aus anderen Pipeline-Optimierungen resultieren. Mikrobenchmarks lassen sich nicht eins zu eins auf produktive Anwendungen übertragen. Ein grobgranulares View-Caching kann einen präzisen Abhängigkeitsgraphen nicht ersetzen – die Prüfung des Caches selbst verbraucht wertvolle CPU-Zyklen.

Verwandte Frameworks stehen vor denselben Hürden

Die Gesamttraversierung ist kein exklusives Problem von GPUI. Auch das auf der Elm-Architektur basierende Iced stößt an dieselbe Grenze. Im identischen 3.000-Zeilen-Test reallokiert Iced bei einer einzelnen Labeländerung innerhalb eines einzigen Frames 39.023 Komponenten, was 7,3 Millisekunden in Anspruch nimmt. Selbst wenn jede Zeile mit einem lazy-Wrapper versehen wird, sinkt der Zeitaufwand lediglich auf 5,7 Millisekunden, da die Schlüssel-Hashes weiterhin über den gesamten Baum berechnet werden müssen.

Offizielle Iced-Beispiele empfehlen die Verwendung eines version: u8-Zählers zur Markierung geänderter Daten. In der Praxis ist dies jedoch kaum mehr als ein umbenanntes Dirty-Flagging – ein Rückschritt zur manuellen Zustandssynchronisation. Zudem lässt das Paradigma der vollständigen Neuerstellung den Nachrichtenfluss in komplexen Anwendungen drastisch anschwellen. So definiert das Projekt cosmic-files beispielsweise 136 Top-Level-Nachrichtenvarianten und 73 Tab-Varianten; die Synchronisationslogik verteilt sich über unzählige Pattern-Matching-Zweige.

Der Compiler garantiert zwar die Vollständigkeit des Pattern Matchings, kann jedoch nicht verifizieren, ob die Datenpflege über verschiedene Zweige hinweg logisch fehlerfrei bleibt. Unter Verwendung von Viewport-Virtualisierung schrumpft die Frame-Dauer von Iced hingegen auf beachtliche 0,19 Millisekunden. Wenn aktive Bildschirmelemente physisch auf einen sichtbaren Ausschnitt begrenzt sind, wird der Aufwand vollständiger Neuerstellungen von moderner Hardware problemlos absorbiert. Der architektonische Druck rein funktionaler Modelle tritt vor allem bei unvirtualisierten, umfangreichen Datenströmen zutage.

Web-Ökosysteme setzen geschlossen auf Signals zur feingranularen Nachverfolgung

Angesichts der Kosten vollständiger Baumtraversierungen hat sich das Web-Frontend-Ökosystem in den letzten Jahren schrittweise auf Signals geeinigt. Von Angular über Vue bis Solid sind moderne Frameworks zu Ausführungsmodellen übergegangen, die auf reaktiven Abhängigkeitsgraphen basieren. Auch das Svelte-Team setzt in seiner neuesten Version voll auf Signals und bemerkte treffend: „Am Ende mussten wir einsehen, dass Knockout von Anfang an recht hatte.“

Gegenüberstellung von fünf Zustandsmodellen Abbildung: Vergleich von fünf gängigen Desktop- und Frontend-Zustandsmodellen. Beachten Sie, wie das rechts dargestellte, einmalig ausgeführte Signal-Modell lokale Closures direkt aktualisiert. Quelle: blog.zortax.de

Die frühe Entwicklungsgeschichte von Redux verlief nach einem ähnlichen Muster. Als der State als globale Datenbank behandelt wurde, löste jede Aktion die Neuberechnung sämtlicher Selektoren aus. Dieser Berechnungsaufwand stieß rasch an Grenzen und trieb die Entwicklung hin zu feingranularen atomaren Modellen voran. React, das am Neu-Rendern vollständiger Komponentenbäume festhält, stellt mittlerweile eine seltene Ausnahme dar.

Auch im Rust-Desktop-Bereich zeichnen sich vergleichbare Bestrebungen ab. Das GUI-Framework Vizia wechselte im März 2026 von einem Lens-Modell zu einer Signals-Architektur, wodurch eine zentrale Organisation beibehalten und zugleich lokale Reaktivität ermöglicht wurde. Frameworks wie Floem und zgui degradieren die Renderfunktion zu einem einmaligen Topologie-Ersteller. Blattknoten fangen Signale über Closures ein und modifizieren den Zustand bei Änderungen direkt an Ort und Stelle – die hierarchische Ablaufsteuerung des gesamten Komponentenbaums wird dabei vollständig umgangen.

Architektonische Entscheidungen sind Ingenieurs-Kompromisse, keine Dogmen

Die Ergebnisse der Benchmarks müssen im passenden Kontext interpretiert werden. Der Urheber der Tests, zortax, entwickelt mit zgui selbst ein signalgesteuertes Framework und zeichnet für den wgpu-Port von GPUI verantwortlich. Der Benchmark zielt gezielt auf unvirtualisierte lange Listen ab – das anspruchsvollste Extremszenario für rein funktionale Ansichten.

In der technischen Community führten die Resultate zu differenzierten Diskussionen. Zahlreiche Ingenieure heben hervor, dass CAD-Software, Vektorzeichenprogramme und professionelle Audio-Tools seit Jahrzehnten stabil auf Basis des Immediate-Mode-Prinzips operieren. Immediate Mode und rein funktionale Ansichten vereinfachen das Lifecycle-Management fundamental und vermeiden den Speicher- sowie Closure-Overhead reaktiver Abhängigkeitsgraphen.

Die Kritik an GPUI berührt auch Fragen der Energieeffizienz. Mehrere Entwickler verweisen auf eine spürbar erhöhte Energieaufnahme im Leerlauf, was zur Evaluierung von Alternativen wie sidestep geführt hat. Andererseits beweist egui mit minimalen Abstraktionen und solider WebAssembly-Unterstützung, wie schlanke Desktop-Werkzeuge performant im Browser laufen können. Jede Architektur zieht ihre eigene Trennlinie zwischen maximalem Durchsatz und kognitiver Belastung der Entwickler.

In Benutzeroberflächen-Frameworks gibt es keine kostenlosen Abstraktionen. Die Ausdruckskraft des Zustandsmodells setzt das Limit für die Systemleistung. Wer Ansichten als reine Funktionen definiert, ohne einen Abhängigkeitsgraphen zu pflegen, muss die physikalischen Kosten vollständiger Baumtraversierungen in Kauf nehmen. Was beim Schreiben des Codes an Abhängigkeitsdeklarationen eingespart wurde, fordert das strikte Frame-Budget am Ende unerbittlich ein.

Weiterführende Links:

  • A Critique of GPUI
  • Diskussion auf Hacker News