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.
El llenguatge Mojo s'està desenvolupant sota el lideratge de Chris Lattner, fundador i arquitecte en cap del projecte LLVM i creador del llenguatge de programació Swift. La sintaxi de Mojo es basa en el llenguatge Python i el sistema de tipus és proper a C/C++. El projecte es presenta com un llenguatge de propòsit general que amplia les capacitats de Python amb capacitats de programació de sistemes, és adequat per a una àmplia gamma de tasques i combina la facilitat d'ús per al desenvolupament de la investigació i la creació de prototips ràpids amb l'adequació per a productes finals d'alt rendiment.
La senzillesa s'aconsegueix mitjançant l'ús de la sintaxi familiar de Python, i el desenvolupament de productes finals es facilita per la capacitat de compilar en codi màquina, mecanismes segurs per a la memòria i l'ús d'eines d'acceleració de maquinari. Per aconseguir un alt rendiment, la paral·lelització dels càlculs és compatible amb tots els recursos de maquinari de sistemes heterogenis disponibles al sistema, com ara GPU, acceleradors especialitzats per a l'aprenentatge automàtic i instruccions de processadors vectorials (SIMD). Per a càlculs intensius, la paral·lelització i la utilització de tots els recursos informàtics permet aconseguir un rendiment superior a les aplicacions C/C++.
L'idioma admet la mecanografia estàtica i les funcions de seguretat de memòria de baix nivell que recorden Rust, com ara el seguiment de la vida útil de les referències i el verificador de préstecs. Al mateix temps, l'idioma també ofereix oportunitats per al treball de baix nivell, per exemple, és possible accedir directament a la memòria en mode no segur mitjançant el tipus Pointer, trucar a instruccions SIMD individuals o accedir a extensions de maquinari com TensorCores i AMX.
Mojo es pot utilitzar tant en mode d'interpretació mitjançant JIT, com per a la compilació en fitxers executables (AOT, abans del temps). El compilador té tecnologies modernes incorporades per a l'optimització automàtica, la memòria cau i la compilació distribuïda. El codi font en llenguatge Mojo es converteix en codi intermedi de baix nivell MLIR (Multi-Level Intermediate Representation), desenvolupat pel projecte LLVM. El compilador us permet utilitzar diversos backends que admeten MLIR per generar codi màquina.
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).
Font: opennet.ru
