Python小整数缓存行为存歧义：不同环境结果差异解析

核心：小整数的固定缓存 #

CPython 对 -5 到 256 之间的整数实现了固定缓存，这个范围由底层源码 intobject.c 中的 NSMALLNEGINTS（定义下限-5）和 NSMALLPOSINTS（定义上限256）硬编码确定。只要是这个范围内的整数，无论通过直接赋值、运算生成还是其他方式创建，都会复用缓存中的同一个对象，因此 id(a) == id(b) 始终为 True。

超出范围的整数：编译器优化与运行时生成的区别 #

对于超出-5到256的整数，固定缓存逻辑不再生效，但对象是否复用取决于整数的创建方式：

• 字面量直接赋值：CPython的字节码编译器会做常量折叠优化——在编译阶段，同一个代码块内的相同整数字面量会被合并为单个对象。这意味着在同一个脚本、函数或连续代码段中，相同的大整数字面量赋值会指向同一个对象，id 相同。
• 运算生成的整数：比如 2**100，这类值是在运行时计算得到的，编译器无法提前预判结果，因此每次运算都会创建全新的整数对象，即使结果值完全相同，id 也会不同。

不同IDE/环境的差异原因 #

你遇到的跨环境结果不一致，本质是编译单元范围和执行模式的差异：

• VSCode/Visual Studio 2022（脚本模式）：整个脚本作为一个编译单元，编译器会对全局范围内的相同字面量做常量折叠，因此第二个 print 返回 True；而 2**100 是运行时生成，所以第一个 print 返回 False。
• Jupyter Notebook（交互式逐行执行）：每个单元格或每行代码是单独的编译单元，编译器不会跨单元/行合并常量，即使是相同的字面量，每次赋值都会创建新对象，因此两个 print 都返回 False。
• 在线编译器/Visual Studio中的a=259测试：代码在同一个编译单元内，常量折叠优化生效，id 相同；而Jupyter逐行执行，无跨行优化，因此返回 False。

结论：受运行时外因素影响 #

Python整数缓存的行为确实会受到运行时之外的因素影响，核心包括：

• 代码的编译单元范围（脚本整体执行 vs 逐行交互式执行）
• 编译器优化开关（默认开启常量折叠，部分特殊环境可能关闭）
• 执行模式（交互式解释器 vs 脚本文件执行）

内容的提问来源于stack exchange，提问作者Denis M.