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 ဘာသာစကားကို LLVM ပရောဂျက်၏ တည်ထောင်သူနှင့် ဗိသုကာချုပ် Chris Lattner ၏ ဦးဆောင်မှုအောက်တွင် တီထွင်နေပြီး Swift ပရိုဂရမ်းမင်းဘာသာစကားကို ဖန်တီးသူဖြစ်သည်။ Mojo ၏ syntax သည် Python ဘာသာစကားပေါ်တွင် အခြေခံထားပြီး အမျိုးအစားစနစ်သည် C/C++ နှင့် နီးစပ်ပါသည်။ ပရောဂျက်ကို Python ၏ လုပ်ဆောင်နိုင်စွမ်းများကို စနစ်ပရိုဂရမ်ရေးသားခြင်းစွမ်းရည်များနှင့်အတူ တိုးချဲ့ပေးသည့် ယေဘုယျရည်ရွယ်ချက်ဘာသာစကားတစ်ခုအဖြစ် ချီးကျူးခံရကာ အလုပ်များစွာအတွက် သင့်လျော်ပြီး သုတေသနဖွံ့ဖြိုးတိုးတက်မှုအတွက် အသုံးပြုရလွယ်ကူခြင်းနှင့် စွမ်းဆောင်ရည်မြင့် ထုတ်ကုန်များအတွက် လျင်မြန်သောပုံတူပုံစံဖော်ခြင်းတို့ကို ပေါင်းစပ်ထားသည်။
ရင်းနှီးပြီးသား Python syntax ကိုအသုံးပြုခြင်းဖြင့် ရိုးရှင်းမှုကို ရရှိပြီး စက်ကုဒ်များစုစည်းနိုင်မှု၊ memory-safe mechanisms နှင့် hardware acceleration tools များအသုံးပြုခြင်းဖြင့် နောက်ဆုံးထုတ်ကုန်များ ဖွံ့ဖြိုးတိုးတက်မှုကို ပံ့ပိုးပေးပါသည်။ မြင့်မားသောစွမ်းဆောင်ရည်ကိုရရှိရန်၊ GPUs၊ စက်သင်ယူမှုအတွက် အထူးပြု accelerators နှင့် vector processor ညွှန်ကြားချက်များ (SIMD) ကဲ့သို့သော စနစ်တွင်ရရှိနိုင်သည့် ကွဲပြားသောစနစ်များ၏ ဟာ့ဒ်ဝဲအရင်းအမြစ်များအားလုံးကို အသုံးပြု၍ ပြိုင်တူတွက်ချက်မှုများကို ပံ့ပိုးပေးပါသည်။ အကြိတ်အနယ် တွက်ချက်မှုများအတွက်၊ ကွန်ပျူတာအရင်းအမြစ်အားလုံးကို ပြိုင်တူအသုံးချခြင်းနှင့် အသုံးချခြင်းသည် C/C++ အပလီကေးရှင်းများထက် သာလွန်သောစွမ်းဆောင်ရည်ကို ရရှိစေပါသည်။
ဘာသာစကားသည် ပုံသေစာရိုက်ခြင်းကို ပံ့ပိုးပေးပြီး အဆင့်နိမ့်မှတ်ဉာဏ်ဘေးကင်းသော အင်္ဂါရပ်များဖြစ်သည့် ရည်ညွှန်းတစ်သက်တာခြေရာခံခြင်းနှင့် ချေးယူခြင်းကဲ့သို့သော Rust ကို အမှတ်ရစေသည့် အင်္ဂါရပ်များ။ တစ်ချိန်တည်းမှာပင်၊ ဘာသာစကားသည် အဆင့်နိမ့်အလုပ်အတွက် အခွင့်အလမ်းများကို ပေးစွမ်းသည်၊ ဥပမာ၊ Pointer အမျိုးအစားကို အသုံးပြု၍ မလုံခြုံသောမုဒ်တွင် မမ်မိုရီကို တိုက်ရိုက်ဝင်ရောက်နိုင်သည်၊ တစ်ဦးချင်းစီ SIMD ညွှန်ကြားချက်များကို ခေါ်ဆိုရန် သို့မဟုတ် TensorCores နှင့် AMX ကဲ့သို့သော ဟာ့ဒ်ဝဲတိုးချဲ့မှုများကို ဝင်ရောက်ကြည့်ရှုနိုင်သည်။
Mojo သည် JIT ကို အသုံးပြု၍ အဓိပ္ပါယ်ဖွင့်ဆိုချက်မုဒ်တွင် နှစ်မျိုးလုံးအသုံးပြုနိုင်ပြီး executable files (AOT၊ အချိန်မတိုင်မီ) တွင် ပေါင်းစပ်အသုံးပြုနိုင်ပါသည်။ စုစည်းမှုတွင် အလိုအလျောက် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း၊ သိမ်းဆည်းခြင်းနှင့် ဖြန့်ဝေစုစည်းခြင်းအတွက် ခေတ်မီနည်းပညာများပါရှိသည်။ Mojo ဘာသာစကားရှိ အရင်းအမြစ်ကုဒ်ကို LLVM ပရောဂျက်မှ ဖန်တီးထားသည့် အဆင့်နိမ့် အလယ်အလတ်ကုဒ် MLIR (Multi-Level Intermediate Representation) အဖြစ်သို့ ပြောင်းလဲပါသည်။ compiler သည် သင့်အား စက်ကုဒ်ထုတ်ပေးရန်အတွက် MLIR ကို ပံ့ပိုးပေးသည့် backend အမျိုးမျိုးကို အသုံးပြုခွင့်ပေးသည်။
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
