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 valoda tiek izstrādāta projekta LLVM dibinātāja un galvenā arhitekta un Swift programmēšanas valodas radītāja Krisa Latnera vadībā. Mojo sintakse ir balstīta uz Python valodu, un tipu sistēma ir tuvu C/C++. Projekts tiek reklamēts kā vispārēja lietojuma valoda, kas paplašina Python iespējas ar sistēmu programmēšanas iespējām, ir piemērota plašam uzdevumu klāstam un apvieno lietošanas vienkāršību pētniecības attīstībai un ātru prototipu izveidi ar piemērotību augstas veiktspējas galaproduktiem.
Vienkāršība tiek panākta, izmantojot pazīstamo Python sintaksi, un galaproduktu izstrādi veicina iespēja kompilēt mašīnkodā, atmiņu droši mehānismi un aparatūras paātrināšanas rīku izmantošana. Lai sasniegtu augstu veiktspēju, tiek atbalstīta aprēķinu paralēlizācija, izmantojot visus sistēmā pieejamos neviendabīgo sistēmu aparatūras resursus, piemēram, GPU, specializētus mašīnmācības paātrinātājus un vektoru procesora instrukcijas (SIMD). Intensīviem aprēķiniem visu skaitļošanas resursu paralēlizācija un izmantošana ļauj sasniegt veiktspēju, kas pārsniedz C/C++ lietojumprogrammas.
Valoda atbalsta statisko rakstīšanu un zema līmeņa atmiņai drošas funkcijas, kas atgādina Rust, piemēram, atsauces kalpošanas laika izsekošanu un aizņemšanās pārbaudītāju. Vienlaikus valoda nodrošina arī zema līmeņa darba iespējas, piemēram, iespējams tieši piekļūt atmiņai nedrošā režīmā, izmantojot Pointer tipu, izsaukt atsevišķas SIMD instrukcijas vai piekļūt tādiem aparatūras paplašinājumiem kā TensorCores un AMX.
Mojo var izmantot gan interpretācijas režīmā, izmantojot JIT, gan apkopošanai izpildāmos failos (AOT, pirms laika). Kompilatorā ir iebūvētas modernas tehnoloģijas automātiskai optimizācijai, kešatmiņai un izplatītai kompilācijai. Pirmkods Mojo valodā tiek pārveidots par zema līmeņa vidēja līmeņa kodu MLIR (Multi-Level Intermediate Representation), ko izstrādājis LLVM projekts. Kompilators ļauj izmantot dažādas aizmugursistēmas, kas atbalsta MLIR, lai ģenerētu mašīnas kodu.
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).
Avots: opennet.ru
