В данной статье проводится всесторонняя оценка методов параллелизма в Python для задач, требующих высокой загрузки процессора, на многопроцессорных системах. Для нагрузок, связанных с интенсивным использованием процессора, операций ввода-вывода и смешанных задач, сравниваются подходы многопоточности, многопроцессорности и гибридной стратегии (потоки + процессы). В рамках экспериментальных тестов на многоядерном компьютере измерялись время выполнения, загрузка ЦП, использование памяти и достигнутое ускорение по сравнению с последовательным базовым решением. Результаты показали, что глобальная блокировка интерпретатора (GIL) не позволяет потокам в Python обеспечить ускорение для задач с высокой нагрузкой на ЦП. В то же время, при использовании множества процессов достигается почти линейное ускорение (в 3.7 раза на 4 ядрах), однако за счёт большего потребления памяти. Для задач, связанных с вводом-выводом, и многопроцессорный, и многопоточный подходи обеспечивают значительное увеличение пропускной способности (ускорение более чем в 3 раза) за счёт перекрытия задержек на I/O, при этом потоки дают меньшую накладную. Гибридный метод, объединяющий вычисления и I/O, опережает чистую многопроцессорность в 3.3 раза, показывая наилучшую производительность для смешанной нагрузки. Мы рассматриваем результаты в контексте закона Амдала и обсуждаем ограниченность параллелизма на потоках в Python из-за GIL. Также в статье затрагиваются перспективы устранения GIL и его влияние на развитие параллелизма в Python. Представленные результаты подчёркивают компромисс между скоростью и ресурсопотреблением различных стратегий на многопроцессорных системах и дают рекомендации по выбору эффективного параллельного подхода в Python.