Синтаксис Mojo основан на языке Python, а система типов близка к C/C++. Проект преподносится как язык общего назначения, расширяющий возможности языка Python средствами системного программирования, подходящий для широкого круга задач и сочетающий простоту применения для исследовательских разработок и быстрого создания прототипов с пригодностью для формирования высокопроизводительных конечных продуктов.
Простота достигается благодаря использованию привычного синтаксиса языка Python, а разработке конечных продуктов способствуют возможность компиляции в машинный код, механизмы безопасной работы с памятью и задействование средств для аппаратного ускорения вычислений. Для достижения высокой производительности поддерживается распараллеливание вычислений с задействованием всех имеющихся в системе аппаратных ресурсов гетерогенных систем, таких как GPU, специализированные ускорители для машинного обучения и векторные процессорные инструкции (SIMD). При интенсивных вычислениях распараллеливание и задействование всех вычислительных ресурсов даёт возможность добиться производительности, превосходящей приложения на C/C++.
Язык поддерживает статическую типизацию и средства для безопасной низкоуровневой работы с памятью, напоминающие возможности языка Rust, такие как отслеживание времени жизни ссылок и проверка заимствования переменных (borrow checker). При этом в языке доступны и возможности для низкоуровневой работы, например, возможно прямое обращение к памяти в режиме unsafe с использованием типа Pointer, вызов отдельных SIMD-инструкций или доступ к аппаратным расширениям, таким как TensorCores и AMX.
Mojo может использоваться как в режиме интерпретации с использованием JIT, так и для компиляции в исполняемые файлы (AOT, ahead-of-time). В компилятор встроены современные технологии автоматической оптимизации, кэширования и распределённой компиляции. Исходный код на языке Mojo преобразуются в низкоуровневый промежуточный код MLIR (Multi-Level Intermediate Representation), развиваемый проектом LLVM. Компилятор позволяет применять для генерации машинного кода различные бэкенды, поддерживающие MLIR.
- Добавлена поддержка сопоставления с образцом, используя конструкции match / case. В качестве образца могут использоваться литералы («case 100:»), логические выражения с литералами («case 100 | 200:»), кортежи («case (10, 10, 10):»), структуры, ограничивающие условия («case limit if limit > 10:») и шаблоны («case _:»). Дополнительно реализовано выражение «comptime match» для выполнения проверки на этапе компиляции.
def classify_point(p: Tuple[Int, Int]) -> String: match p: case 0, 0: return "origin" case x, 0 if x ‹ 0: return String("negative x-axis:", x) case x, 0: return String("x-axis:", x) case 0, y: return String("y-axis:", y) case x, y: return String("point:", x, ",", y) - Добавлена поддержка деструктуризации списков, которая может использоваться как отдельно, так и внутри проверок в match:
var [first, *middle, last] = values match values: case []: print("empty") case [1, *middle, last]: print(len(middle), last) case [first, *rest]: print(first, len(rest)) - В выражения if, elif и while добавлена возможность использования конструкций «if case» и «while case» для проверки и извлечения данных.
if case .Some(item) = value: return String("some:", item) else: return "none" while case .Some(item) = get_next(): process(item) - В библиотеку std.math добавлено более 20 математических функций (atan(), tan(), cbrt(), erfc(), lgamma(), log10(), remainder(), hypot() и т.п.), доступных в вариантах, способных работать на CPU и GPU, и не использующих системную библиотеку libm.
- Добавлен тип TargetAccelerator для метаданных аппаратных ускорителей, сочетающий возможности типов GPUInfo и CompilationTarget.
- Добавлен синтаксис «not ‹Trait›» для отключения реализации определённых типажей (например, «struct Handle(not Movable, Writable):»), который рекомендуется использовать вместо «‹Trait› where False».
- Реализована возможность определения собственных сообщений об ошибках в проверочных выражениях where — «where ‹condition› else «‹message›».
def foo[sc: Int]() where sc › 1 else "scaling factor must be greater than"
- Компилятор mojo переведён на распределение памяти с использованием библиотеки jemalloc на платформе Linux. Компиляция крупных пакетов и больших ядер для GPU ускорилась на 10-13%. Например, пакет nn теперь компилируется за 61 секунду вместо 98.
- Проведена оптимизация производительности. Операции выравнивания строк ускорены до 86 раз, а повторения через оператор «*» примерно в 2 раза при обработке больших строк. Значительно повышена производительность методов String.startswith() и String.endswith().
В среднем на 20% ускорен разбор числе с плавающей запятой при помощи функции atof(). - Структура StringSpan теперь предоставляет доступ к байтам строки только в режиме чтения (immutable). Поддержка структур MutStringSpan, MutStringSlice и параметра mut, позволявших напрямую изменять данные в строковом буфере, прекращена.
- Пустой кортеж «()» теперь всегда означает значение кортежа, а не тип. Для указания типа пустого кортежа следует указывать «Tuple[]».
- Ключевые слова async и await переименованы в «__async» и «__await для индикации их экспериментального статуса (старые варианты сохранены, но будут выдавать предупреждение).
Одновременно сформирован выпуск движка MAX Framework 26.7, 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.).
Новая версия примечательна публикацией] исходного кода MAX Framework, включая бэкенды, runtime и графовый компилятор, под лицензией собственной лицензией «MAX License«, которая допускает использование, модификацию, расширение и создание производных коммерческих продуктов, но вносит ограничения для защиты от фрагментации платформы, не допускающие создание специфичных для отдельных аппаратных платформ версий, нарушающих совместимость.
Из функциональных изменений в MAX Framework 26.7 отмечается добавление поддержки AI-моделейMuse Glimmer и MiMo-V2.6-Flash, возможность передачи видео в модели Qwen3.5 и Qwen3-VL, новый API Decisions для оценки вероятностей при классификации и принятия решений, значительное ускорение выполнения моделей на GPU NVIDIA B200 и AMD MI355. Реализован режим
«eager» для ускорения тестирования и отладки кода, позволяющий выполнять операции мгновенно по мере их вызова, без предварительной полной обработки графовым компилятором.
Источник: http://www.opennet.ru/opennews/art.shtml?num=66544