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.
Gjuha Mojo po zhvillohet nën udhëheqjen e Chris Lattner, themeluesit dhe arkitektit kryesor të projektit LLVM dhe krijuesit të gjuhës së programimit Swift. Sintaksa e Mojo bazohet në gjuhën Python, ndërsa sistemi i tipeve është i afërt me C/C++. Projekti prezantohet si një gjuhë e përgjithshme, që zgjeron mundësitë e gjuhës Python me mjete për programim sistemor, e përshtatshme për një gamë të gjerë detyrash dhe shfaq lehtësinë e përdorimit për zhvillimet kërkimore dhe krijimin e prototipeve të shpejta me përshtatshmëri për formimin e produkteve përfundimtare me performancë të lartë.
Thjeshtësia arrihet duke përdorur sintaksën e njohur të gjuhës Python, ndërsa zhvillimi i produkteve përfundimtare përfshin mundësinë e kompajlimit në kodin makinerik, mekanizmat për punën e sigurt me memorjen dhe aktivizimin e mjeteve për përshpejtimin harduerik të llogaritjeve. Për të arritur një performancë të lartë, mbështetet paralelizimi i llogaritjeve me angazhimin e të gjithë burimeve harduerike të disponueshme në sistemet heterogjene, si GPU-të, përshpejtuesit e specializuar për mësimin automat dhe komandat e procesorëve vektorialë (SIMD). Gjatë llogaritjeve intensive, paralelizimi dhe angazhimi i të gjithë burimeve të llogaritjes mundëson të arrihet një performancë që e tejkalon aplikacionet në C/C++.
Gjuha mbështet tipizimin statik dhe mjetet për një punë të sigurt në nivel të ulët me memorjen, duke kujtuar mundësitë e gjuhës Rust, siç janë gjurmimi i kohëzgjatjes së referencave dhe kontrolli i huazimit të variablave (borrow checker). Megjithatë, gjuhës i janë të disponueshme edhe mundësitë për punë në nivel të ulët, për shembull, është e mundur qasja e drejtpërdrejtë në memorje në modalitetin unsafe duke përdorur tipin Pointer, thirrja e instrukcioneve SIMD të veçanta ose qasja në zgjerimet harduerike, si TensorCores dhe AMX.
Mojo mund të përdoret si në modalitetin e interpretimit me JIT, ashtu edhe për kompilimin në skedarë ekzekutivë (AOT, ahead-of-time). Në kompilator janë të ndërtuara teknologji moderne për optimizimin automatike, caching dhe kompilim të shpërndarë. Kodi burimor në gjuhën Mojo shndërrohet në kodin e ulët të ndërmjetëm MLIR (Multi-Level Intermediate Representation), që zhvillohet nga projekti LLVM. Kompilatori lejon përdorimin e backend-eve të ndryshme për gjenerimin e kodit të makinës që mbështesin MLIR.
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).
Burimi: opennet.ru
