Hat projekt kap támogatást a Modular Mojo-ökoszisztémájában
Hat közösségi projekt kap támogatást a Modular programjában, amely a Mojo és a MAX köré épülő ökoszisztéma alapjait fejlesztő könyvtárakat segíti. A kiválasztott projektek között megerősített tanulási keretrendszer, GPU-s fizikai szimulátor, FFT-könyvtár és JSON-elemző is szerepel.
- A Modular hat Mojo- és MAX-projektet választott ki közösségi támogatásra.
- A noeira több mint 40 megerősítéses tanulási algoritmust támogat.
- A bajo több ezer tanulási és robotikai környezet GPU-s párhuzamos futtatását célozza.
- Az EmberJson a Modular szerint a legszélesebb körben használt Mojo JSON-elemző.
- A momanim Mojo-alapú, CPU- és GPU-gyorsított 2D-s animációs keretrendszer.
A Modular hat projektet választott ki
A Modular október 9-én ismertette a Modular Community Grant Program első támogatott projektjeit. A vállalat az év elején hívta fel a közösség tagjait projektjavaslatok benyújtására, kis összegű támogatásokat kínálva a Mojo- és MAX-könyvtárak fejlesztéséhez. Ezek a könyvtárak a cég szerint a kialakuló ökoszisztéma alapját adhatják.
A felhívásra sokféle közreműködő reagált, és a Modular közlése szerint a támogatási lehetőségeknél több erős javaslat érkezett. A mostani körben hat projektet támogatnak: a noeira, a bajo, a Fast Fourier Transform, az EmberJson, a floki és a momanim fejlesztését.
GPU-ra épülő gépi tanulási és fizikai projektek
A Denis Laboureyras által készített noeira egy teljes egészében Mojo nyelven írt, nyílt forráskódú megerősítéses tanulási keretrendszer. A projekt jelenleg több mint 40 megerősítéses tanulási algoritmust, GPU-gyorsított mélytanulást, egyedi kétdimenziós és háromdimenziós fizikai motorokat, natív játék- és SDL3-megjelenítést támogat. Hosszabb távú célja, hogy a környezetek, az ügynökök és a tanítás is GPU-n fusson, tisztán Mojo használatával. A közelebbi tervek között a Gymnasium, a Stable Baselines3 és a PyTorch rendszerével végzett, részletes összehasonlító mérések szerepelnek.
A Jean-Gabriel Simard által fejlesztett bajo párhuzamos fizikai szimulátor. Célja, hogy több ezer megerősítéses tanulási vagy robotikai környezetet futtasson egyszerre egyetlen GPU-n. A projekt már tartalmaz egy, a Modular szerint élvonalbeli GPU-s rendezési megoldást Morton-kódolással és BVH-építéssel. A következő hat hónapban ezt a réteget csomagolnák, majd párhuzamos ütközésészlelést és merevtest-dinamikát valósítanának meg. Ezt egy több ezer környezetet kezelő prototípus és az NVIDIA Warp, valamint a Madrona elleni mérés követné.
FFT, JSON és HTTP Mojo alatt
Martin Vuyk Loperena Fast Fourier Transform projektje olyan FFT-megvalósítás, amely a Modular szerint CPU-n és GPU-n is közel jár az élvonalbeli teljesítményhez, és rendre az FFTW, illetve a cuFFT megoldásával versenyez. A 2025 közepén, egy hackathonon indult fejlesztés azóta folyamatosan bővül. A közeli célok közé a félméretű transzformációk támogatása, valamint a már elérhető R2R, C2R és R2C transzformációk további gyorsítása tartozik. Ha sikerül megszüntetni a fennmaradó különbséget, a MAX teljesen elhagyhatja a cuFFT-függőséget.
Az EmberJson a Modular szerint jelenleg a legszélesebb körben használt JSON-elemző Mojo alatt. A Brian Grenier által fejlesztett csomag erősen támaszkodik a Mojo tükrözési képességeire, és strukturált, valamint strukturálatlan elemzést is kínál. Az ütemterv egy, a Rust Serde megoldásához hasonló általános szerializációs keretrendszert és a Python-kompatibilitás további fejlesztését vázolja. A korai mérések szerint a könyvtár a Python beépített JSON-kezelésénél is gyorsabb, az együttműködési többletterhelés ellenére.
A Mikhail Tavarez nevéhez kötődő floki könnyen használható Mojo HTTP-kliens, amely libcurl-kötésekre épül. Több olyan funkciót támogat, amelyet a Python requests moduljának felhasználói ismerhetnek. A fejlesztés most a fejlett libcurl-beállítások kényelmesebb elérésére és az alapul szolgáló kötések egyszerűbb megvalósítására összpontosít.
Animációs keretrendszer is készül
A hatodik támogatott projekt, a momanim Josiah Laivin 2D-s animációs keretrendszere Mojo nyelven, amelyet a Manim ihletett. A fejlesztés CPU- és GPU-gyorsítással csökkentené jelentősen a renderelési időt. API-ja elég közel állna a Maniméhoz ahhoz, hogy reális legyen a nyelvi modellekkel támogatott Pythonról Mojóra történő átalakítás. A projekt még korai szakaszban jár, de az alapvető kép- és videó-API-k, valamint az alakzatok megjelenítése már elkészült. A következő terv egy háromdimenziós megjelenítési API.
A Modular szerint a támogatott projektek együtt jól mutatják, merre tart a közösség a Mojo és a MAX fejlődésével: alapvető infrastruktúra és erre épülő alkalmazások formálják az ökoszisztémát. A támogatások így a fejlesztői eszközök, a gépi tanulási és szimulációs munkafolyamatok, a teljesítménymérés, az adatkezelés, a hálózati programozás és a vizualizáció irányába is kiterjesztik a platform körüli közösségi munkát.
