Представлен первый бета выпуск языка программирования Mojo 1.0, который ознаменовал стабилизацию языка и реализацию всех базовых возможностей. Выпуск оценивается как почти готовый к повсеместному использованию. Финальный релиз Mojo 1.0 ожидается в начале осени. Использование данной ветки позволит начать разрабатывать крупные проекты, не опасаясь появления в языке изменений, нарушающих совместимость.
В состав платформы включены компоненты, необходимые для разработки приложений на языке Mojo, включая компилятор, runtime, интерактивную REPL-оболочку для сборки и запуска программ, отладчик, дополнение к редактору кода Visual Studio Code (VS Code) с поддержкой автодополнения ввода, форматирования кода и подсветки синтаксиса, модуль для интеграции с Jupyter для сборки и запуска Mojo notebook. Исходный код стандартной библиотеки Mojo открыты под лицензией Apache 2.0 c исключениями от проекта LLVM, допускающими смешивание с кодом под лицензией GPLv2. Исходный код компилятора планируют открыть после завершения стабилизации внутренней архитектуры.
Mojo dili LLVM layihəsinin qurucusu və baş memarı və Swift proqramlaşdırma dilinin yaradıcısı Kris Lattnerin rəhbərliyi altında hazırlanır. Mojo-nun sintaksisi Python dilinə əsaslanır və tip sistemi C/C++-a yaxındır. Layihə Python-un imkanlarını sistem proqramlaşdırma imkanları ilə genişləndirən, geniş spektrli tapşırıqlar üçün uyğun olan və tədqiqat inkişafı və sürətli prototipləmə üçün istifadə rahatlığını yüksək məhsuldar son məhsullar üçün uyğunluğu birləşdirən ümumi təyinatlı bir dil kimi təqdim olunur.
Sadəliyə tanış Python sintaksisinin istifadəsi ilə nail olunur və son məhsulların işlənməsi maşın koduna kompilyasiya etmək, yaddaş üçün təhlükəsiz mexanizmlər və aparat sürətləndirici vasitələrdən istifadə etməklə asanlaşdırılır. Yüksək performansa nail olmaq üçün hesablamaların paralelləşdirilməsi sistemdə mövcud olan GPU, maşın öyrənməsi üçün xüsusi sürətləndiricilər və vektor prosessor təlimatları (SIMD) kimi heterojen sistemlərin bütün aparat resurslarından istifadə etməklə dəstəklənir. İntensiv hesablamalar üçün bütün hesablama resurslarının paralelləşdirilməsi və istifadəsi C/C++ proqramlarından daha yüksək performansa nail olmağa imkan verir.
Bu dil statik yazmağı və Rust-u xatırladan aşağı səviyyəli yaddaş təhlükəsizliyi xüsusiyyətlərini, məsələn, istinad ömür boyu izləmə və borc yoxlaması kimi funksiyaları dəstəkləyir. Eyni zamanda, dil aşağı səviyyəli iş imkanlarını da təmin edir, məsələn, Pointer növündən istifadə edərək təhlükəli rejimdə yaddaşa birbaşa daxil olmaq, fərdi SIMD təlimatlarına zəng etmək və ya TensorCores və AMX kimi aparat genişlənmələrinə giriş mümkündür.
Mojo həm JIT istifadə edərək tərcümə rejimində, həm də icra edilə bilən fayllara (AOT, vaxtından əvvəl) tərtib etmək üçün istifadə edilə bilər. Kompilyator avtomatik optimallaşdırma, keşləmə və paylanmış kompilyasiya üçün daxili müasir texnologiyalara malikdir. Mojo dilindəki mənbə kodu LLVM layihəsi tərəfindən hazırlanmış aşağı səviyyəli ara kod MLIR (Çox Səviyyəli Ara Nümayəndəlik) koduna çevrilir. Kompilyator, maşın kodunu yaratmaq üçün MLIR-i dəstəkləyən müxtəlif arxa hissələrdən istifadə etməyə imkan verir.
Среди изменений в Mojo 1.0.0b1:
- Ключевое слово «fn» объявлено устаревшим — для объявления функций следует использовать ключевое слово «def» (возможности «fn» и «def» объединены, и в «def» реализована семантика «fn» без генерации исключений).
- Унифицирована реализация замыканий (closure). Не учитывающие контекст замыкания (stateless closure) теперь автоматически преобразуются в функции верхнего уровня и могут использоваться как callback-вызовы в FFI (Foreign Function Interface). Добавлена поддержка захвата по ссылке (ref capture). При объявлении функций добавлен признак «thin» для объявления простого типа указателя на функцию без захвата состояния.
- Указатели с типом UnsafePointer теперь не могут принимать значение null по умолчанию, а для работы с null-указателями необходимо использовать «Optional[UnsafePointer[…]]», что позволяет исключить накладные расходы при работе с null-указателями и сохранить возможность безопасного применения в FFI.
- По умолчанию в коде для CPU в коллекциях включена проверка допустимых границ (на GPU проверка отключена для производительности, но может быть включена при сборке с «mojo build -D ASSERT=all»). Прекращена поддержка указания отрицательных значений в индексах (запрещено «x[-1]», но можно указывать «x[len(x)-1]»).
- Из стандартной библиотек удалён тип NDBuffer, вместо которого следует использовать TileTensor.
- Расширена поддержка работы с GPU через графический API Metal на системах Apple (например, появилась поддержка print() и матричных инструкций M5). Добавлена поддержка ускорителей AMD MI250X и NVIDIA B300.
- Идентификаторы примитивов GPU (индексы потоков и блоков) переведены на возвращение типа Int вместо UInt.
- Контекст CPU (‘DeviceContext(api=»cpu»)’) стал потокозависимым (stream-ordered). Для упорядоченного выполнения задач добавлены функции enqueue_cpu_function() и enqueue_cpu_range().
- В типах String и StringSlice добавлена поддержка графемных кластеров (Unicode UAX #29), позволяющая корректно вычислять длину и обрезать строки с emoji и комбинированных символов. Добавлены методы graphemes() и count_graphemes(), а также синтаксис слайсов «[grapheme=…]».
- Реализовано уточнение типов (Type Refinement) на этапе компиляции для автоматического сужения типов внутри выражений «where», «if» и «assert» (позволяет обойтись без явного указания trait_downcast).
- Предложен унифицированный API рефлексии, в котором предложена новая функция reflect[T](), возвращающая Reflected[T] и заменяющая семейство функций struct_field_* и старые методы get_type_name().
Одновременно сформирован выпуск движка MAX Framework 26.3, предлагающего платформу для разработок в области машинного обучения. MAX Framework дополняет инструментарий Mojo средствами для разработки и отладки приложений, использующих модели машинного обучения в различных форматах (TensorFlow, PyTorch, ONNX и т.п.). В новой версии MAX Framework добавлена возможность генерации видео, расширена поддержка работ с использованием нескольких GPU, значительно повышена производительность интерпретатора (некоторые операции стали выполняться быстрее в 10-20 раз).
Mənbə: opennet.ru
