此效能测试以Micronaut的HelloWorld应用为基準，比较启用机器学习行为推论（ML-enabled PGO）与未使用任何分析资料（Baseline）的执行效能差异

甲骨文（Oracle）随JDK 24的发布，推出高效能执行环境GraalVM for JDK 24，本版本的最大亮点，是将机器学习应用于原生映像档（Native Image）静态分析流程，导入名为GraalNN的行为预测模型，协助原生映像档在缺乏执行期分析（Profiling）资料的情况下，预测程序控制流程中分支的执行机率，进一步提升原生映像档的高峰效能表现。

根据Oracle团队测试，在Micronaut、Spring、Quarkus等微服务框架下，平均可获得约7.9％的效能提升，且无需多阶段建构流程，只需加入特定参数，即可套用此最佳化技术。GraalNN模型背后的技术基础来自图神经网路（Graph Neural Network），官方将其应用于静态控制流程图上的分支机率推理，用以取代过往需要实际执行纪录的PGO（Profile-Guided Optimization）资料。

除了效能上的强化，本次版本也加入一项有助缩小原生映像档容量的新技术SkipFlow，该技术让GraalVM在建构映像档时，能更精準地判断哪些程序码在实际执行时才会用到，并排除那些永远不会被执行的类别与方法。根据Oracle提供的测试资料，这项最佳化平均可让映像档容量减少约6.35％，且不会延长建置时间。

针对近年逐渐普及的Java Vector API，新的GraalVM版本也在原生映像档中强化对向量运算的支援，将多项向量运算转换为底层硬件支援的SIMD指令执行，使执行效能与传统JIT模式相当。GraalVM团队并展示了一个名为Llama3.java的範例，该专案将大型语言模型推理逻辑实作于单一Java文件中，并结合Vector API与FFM API进行最佳化。测试中，採用GraalVM原生映像档建构的Llama3模型，可在纯CPU环境下达到每秒52.25 Token的生成速度，显示AOT编译搭配向量最佳化可实际应用于语言模型领域。

在资安与法遵层面，GraalVM原生映像档强化SBOM功能，提供CycloneDX格式支援，并透过静态分析导出精準的组件相依树，协助开发者辨识应用中引入的第三方元件来源与关联性。搭配Maven Plugin，可建立更精準的基準SBOM，进一步减少侦测误报。此外，也新增支援类别层级的SBOM中继资料，列出原生映像中所包含的模组、类别、栏位、方法等结构，有助资安扫描工具进行更精细的风险评估。

Oracle引用社群测试结果指出，在负载情境下，相较JIT模式，原生映像档产生的原生应用有更低的耗电量与记忆体使用率，特别是在微服务与函数即服务（FaaS）等短生命周期应用中更为明显。