给流水线换上高速机器，不等于整条线都会变快：如果每处理一个零件，都要停下来检查、交接，时间仍会耗在门口。Numba也是如此。它会在程序运行时，把数值型Python代码编译成机器码；但每次从Python进入编译函数，都可能付出参数检查、对象转换和调度成本。把计算拆成许多微小调用，省下的计算时间就可能被这些固定开销吃掉。
Matthew Mayo在KDnuggets的示例中，让程序对一千万个数组元素做循环计算。普通Python循环最佳用时3.0789秒；使用Numba的@njit后，稳定运行的最佳用时为0.0384秒，作者测得约80.2倍加速。不过，首次调用还花了0.2799秒完成JIT——即时编译，也就是运行到函数时才生成机器码。只测第一次，容易把编译等待误算进日常速度。
更值得先检查的因此不是编译参数，而是边界画在哪里：让Numba覆盖整段反复执行、最耗时间的“热路径”，一次交给它足够多的工作，并避免在循环里频繁往返Python与编译代码。上述数字来自作者在Numba 0.67.0下的测试，不能直接外推到所有程序。