结论：一句话选型：I/O 密集且并发量中等用 threading，I/O 密集且高并发/精细控制用 asyncio，CPU 密集用 multiprocessing（绕过 GIL 真正并行）。判断依据是瓶颈在哪里——等 I/O 时 GIL 会释放，算数时不会。

展开：三者的机制差异决定适用面：1）threading——OS 线程，受 GIL 限制同一时刻只有一个线程执行 Python 字节码，但阻塞型 I/O（网络、文件、time.sleep）会释放 GIL，所以 I/O 等待期间其他线程能跑；优点是写法同步化、库兼容性好，缺点是多核无法用于计算。2）asyncio——单线程协作式调度，一个事件循环管上万连接，上下文切换在用户态、成本远低于线程；代价是全程 async/await 感染、阻塞调用（requests、time.sleep）会卡住整个循环，必须用异步库或 run_in_executor。3）multiprocessing——多进程各自带解释器和 GIL，真并行；代价是进程开销大、数据要序列化跨进程传递（pickle）、共享状态麻烦（Queue/Manager/共享内存）。易错点：CPU 密集开更多 threading 只会更慢（GIL 竞争 + 切换开销）；混合负载（Web 服务里算图）常组合使用——asyncio 接流量，重计算丢给 ProcessPoolExecutor。

from concurrent.futures import ProcessPoolExecutor
with ProcessPoolExecutor() as pool:
    results = list(pool.map(heavy_cpu, chunks))  # 真并行

追问方向：GIL 在 C 扩展（numpy）中释放的机制、free-threading 构建对这张选型表的影响。