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 linguaxe Mojo estase a desenvolver baixo o liderado de Chris Lattner, fundador e arquitecto xefe do proxecto LLVM e creador da linguaxe de programación Swift. A sintaxe de Mojo está baseada na linguaxe Python e o sistema de tipos está próximo a C/C++. O proxecto preséntase como unha linguaxe de propósito xeral que amplía as capacidades de Python con capacidades de programación de sistemas, é axeitado para unha ampla gama de tarefas e combina a facilidade de uso para o desenvolvemento de investigación e a creación rápida de prototipos coa idoneidade para produtos finais de alto rendemento.
A simplicidade conséguese mediante o uso da sintaxe familiar de Python, e o desenvolvemento de produtos finais vese facilitado pola capacidade de compilar a código máquina, mecanismos seguros para a memoria e o uso de ferramentas de aceleración de hardware. Para acadar un alto rendemento, a paralelización dos cálculos é compatible utilizando todos os recursos de hardware dos sistemas heteroxéneos dispoñibles no sistema, como as GPU, aceleradores especializados para a aprendizaxe automática e instrucións de procesador vectorial (SIMD). Para cálculos intensivos, a paralelización e utilización de todos os recursos informáticos permite acadar un rendemento superior ás aplicacións C/C++.
A linguaxe admite a escritura estática e funcións de baixo nivel seguras para a memoria que lembran a Rust, como o seguimento de referencias durante a vida útil e o comprobador de préstamos. Ao mesmo tempo, a linguaxe tamén ofrece oportunidades para traballos de baixo nivel, por exemplo, é posible acceder directamente á memoria en modo inseguro usando o tipo Pointer, chamar a instrucións SIMD individuais ou acceder a extensións de hardware como TensorCores e AMX.
Mojo pódese usar tanto no modo de interpretación mediante JIT, como para a compilación en ficheiros executables (AOT, antes de tempo). O compilador incorpora tecnoloxías modernas para optimización automática, almacenamento en caché e compilación distribuída. O código fonte na linguaxe Mojo convértese en código intermedio de baixo nivel MLIR (Multi-Level Intermediate Representation), desenvolvido polo proxecto LLVM. O compilador permítelle usar varios backends compatibles con MLIR para xerar código de máquina.
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).
Fonte: opennet.ru
