Modular fördert sechs Community-Projekte im Förderprogramm für Mojo und MAX
Modular hat die ersten Projekte benannt, die sein Community Grant Program unterstützt. Das Programm vergibt kleine Förderungen an Bibliotheken, die auf Mojo und MAX aufbauen. Das Unternehmen erhielt nach eigenen Angaben deutlich mehr starke Vorschläge, als es fördern konnte, und wählte sechs aus: noeira, bajo, Fast Fourier Transform, EmberJson, floki und momanim.
- Modulars Community Grant Program unterstützt sechs Mojo- und MAX-Projekte, nachdem mehr starke Vorschläge eingingen, als gefördert werden konnten.
- Gefördert werden noeira, bajo, Fast Fourier Transform, EmberJson, floki und momanim.
- noeira unterstützt mehr als 40 RL-Algorithmen und plant Benchmarks gegen Gymnasium, Stable Baselines3 und PyTorch.
- Das FFT-Projekt ist mit FFTW und cuFFT konkurrenzfähig, und ein Schließen der Lücke könnte die cuFFT-Abhängigkeit von MAX beseitigen.
- EmberJson gilt als meistgenutzte JSON-Bibliothek in Mojo und liegt in frühen Benchmarks vor Pythons eingebauter JSON-Verarbeitung.
Aufruf zur Einreichung, begrenzte Zahl an Förderungen
Modular zufolge startete das Unternehmen Anfang des Jahres einen Aufruf zur Einreichung von Community-Projekten. Ziel war es, kleine Förderungen an Mojo- und MAX-Bibliotheken zu vergeben, die das Fundament eines Ökosystems bilden. Das Unternehmen gibt an, von einer großen Bandbreite an Beitragenden gehört und weit mehr starke Vorschläge erhalten zu haben, als es unterstützen kann.
Die sechs ausgewählten Projekte decken Reinforcement Learning, GPU-Physiksimulation, Signalverarbeitung, Datenformate, Netzwerke und Animation ab. Mehrere der Maintainer haben ihre Arbeit bereits bei Modulars Community-Treffen vorgestellt, weitere Vorträge sind für die Treffen im Oktober und November geplant.
Reinforcement Learning und GPU-Simulation
noeira von Denis Laboureyras ist ein quelloffenes Reinforcement-Learning-Framework, das vollständig in Mojo geschrieben ist. Es entstand Anfang 2026 und unterstützt derzeit mehr als 40 RL-Algorithmen, GPU-beschleunigtes Deep RL, eigene 2D-/3D-Physik-Engines, native Arcade-Spiele-Engines und SDL3-Rendering. Das Projekt ging aus dem Frust über Performance-Einbrüche im Python-Stack für Reinforcement Learning hervor. Langfristig soll ein Ende-zu-Ende-Framework entstehen, in dem Umgebungen, Agenten und Training in reinem Mojo auf der GPU laufen. Kurzfristig sind Benchmarks gegen Gymnasium, Stable Baselines3 und PyTorch geplant.
bajo von Jean-Gabriel Simard ist ein paralleler Physiksimulator, der Tausende RL- und Robotik-Trainingsumgebungen gleichzeitig auf einer einzelnen GPU ausführen soll. Als Rechengrundlage hat er bereits eine GPU-Sortierimplementierung auf dem Stand der Technik mit Morton-Kodierung und BVH-Konstruktion veröffentlicht. Der Sechsmonatsplan sieht vor, diese Sortierschicht als Paket bereitzustellen und leistungsfähige parallele Kollisionserkennung sowie Starrkörperdynamik zu implementieren. Das Ergebnis soll zu einem funktionsfähigen Prototyp mit mehreren Tausend Umgebungen skaliert und gegen NVIDIAs Warp und Madrona verglichen werden.
Kernbibliotheken: FFT, JSON und HTTP
Martin Vuyk Loperenas Implementierung der Fast Fourier Transform begann Mitte 2025 bei einem Hackathon. Laut Modular nähert sie sich bereits auf CPU und GPU der Leistung des Stands der Technik und ist mit FFTW beziehungsweise cuFFT konkurrenzfähig. Zu den kurzfristigen Zielen zählen die Unterstützung halbgroßer Transformationen (hC2R, R2hC) sowie klare Leistungsgewinne bei den bereits unterstützten Transformationen R2R, C2R und R2C. Modular zufolge könnte die cuFFT-Abhängigkeit von MAX vollständig entfallen, wenn sich die verbleibende Lücke schließen lässt.
EmberJson von Brian Grenier gilt als die derzeit meistgenutzte JSON-Parsing-Bibliothek in Mojo. Sie stützt sich stark auf Mojos Reflection-Fähigkeiten und unterstützt sowohl strukturiertes als auch unstrukturiertes Parsing. Die Roadmap weist in Richtung eines allgemeinen Serialisierungs-Frameworks im Geiste von Rusts Serde, dazu kommt die fortgesetzte Arbeit an der Python-Interoperabilität. Frühe Benchmarks zeigen laut dem Beitrag bereits, dass sie trotz des Interop-Overheads schneller ist als Pythons eingebaute JSON-Verarbeitung.
floki von Mikhail Tavarez ist ein Mojo-HTTP-Client auf Basis von libcurl-Bindings. Er unterstützt bereits viele Funktionen, die Nutzern des Python-Moduls requests vertraut sind. Die Entwicklung konzentriert sich nun auf ergonomischen Zugriff auf die erweiterte libcurl-Konfiguration und auf eine einfachere Implementierung der zugrunde liegenden Bindings.
Animation und was die Gruppe signalisiert
momanim von Josiah Laivin ist ein 2D-Animations-Framework für Mojo, das von Manim inspiriert ist. Es will CPU- und GPU-Beschleunigung nutzen, um Renderzeiten drastisch zu verkürzen, und strebt eine API an, die Manim so nahe kommt, dass eine LLM-gestützte Umwandlung von Python nach Mojo realistisch ist. Das Projekt steckt noch in den Anfängen: Grundlegende Bild- und Video-APIs sowie Formen-Rendering sind vorhanden, als Nächstes steht eine 3D-Rendering-API auf der Roadmap.
Modular beschreibt die Gruppe als Momentaufnahme dessen, wohin sich seine Community mit der Weiterentwicklung von Mojo und MAX bewegt, mit einer Mischung aus grundlegender Infrastruktur und Anwendungen. Für Entwickler zeigt die Liste, welche Bibliotheken gefördert werden und welche Benchmarks und Funktionen als Nächstes zu erwarten sind. Mehrere Projekte planen Vergleiche mit etablierten Werkzeugen wie PyTorch, FFTW, cuFFT und Warp, sodass ihre Ergebnisse zeigen dürften, wie weit reine Mojo-Implementierungen kommen können.
