Versione Beta 1.0 di u Linguaghju di Programmazione Mojo

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.

A lingua Mojo hè sviluppata sottu a guida di Chris Lattner, fundatore è architettu capu di u prughjettu LLVM è creatore di a lingua di prugrammazione Swift. A sintassi di Mojo hè basatu annantu à a lingua Python, è u sistema di tipu hè vicinu à C/C++. U prugettu hè presentatu cum'è una lingua di scopu generale chì estende e capacità di Python cù capacità di prugrammazione di sistemi, hè adattatu per una larga gamma di compiti, è unisce a facilità d'utilizazione per u sviluppu di ricerca è a prototipazione rapida cù l'adattabilità per i prudutti finali d'altu rendiment.

A simplicità hè ottenuta per mezu di l'usu di a sintassi familiare di Python, è u sviluppu di i prudutti finali hè facilitatu da a capacità di cumpilà à codice macchina, meccanismi sicuri di memoria, è l'usu di strumenti di accelerazione hardware. Per ottene un rendimentu altu, a parallelizazione di i calculi hè supportata utilizendu tutte e risorse hardware di sistemi eterogenei dispunibuli in u sistema, cum'è GPU, acceleratori specializati per l'apprendimentu di machine è istruzzioni di processore vettoriale (SIMD). Per i calculi intensivi, a parallelizazione è l'utilizazione di tutte e risorse di l'informatica permette di ottene un rendimentu superiore à l'applicazioni C/C++.

A lingua accumpagna a tipografia statica è e funzioni di salvezza di memoria di pocu livellu chì ricordanu Rust, cum'è u seguimentu di a vita di riferimentu è u verificatore di prestitu. À u stessu tempu, a lingua furnisce ancu opportunità per u travagliu di livellu bassu, per esempiu, hè pussibule accede direttamente à a memoria in modu inseguru cù u tipu Pointer, chjamate struzzioni SIMD individuali, o accessu à estensioni hardware cum'è TensorCores è AMX.

Mojo pò esse usatu sia in u modu di interpretazione cù JIT, sia per a compilazione in i fugliali eseguibili (AOT, prima di u tempu). U compilatore hà tecnulugii muderni integrati per ottimisazione automatica, caching è compilazione distribuita. U codice sorgente in a lingua Mojo hè cunvertitu in codice intermediu bassu MLIR (Multi-Level Intermediate Representation), sviluppatu da u prughjettu LLVM. U compilatore permette di utilizà diversi backends chì supportanu MLIR per generà codice macchina.

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).

Source: opennet.ru