Python 现在可以运行 Mojo 了？

关注

转载最新推荐文章于 2026-05-09 08:40:31 发布 123 阅读 AI 写同款· GEO 优化 ›

Mojo 教程之将 Python 的可用性与 C 语言的性能结合起来用于 AI 硬件和模型 Mojo 是一种用于创建 AI 模型的编程语言。它被设计成模块化的，这意味着用户可以创建可跨多个项目使用的自定义模块。这种模块化的方法使得重用代码变得容易，这可以为开发人员节省大量的时间和精力。Mojo还使用 Python 的语法，这使得熟悉该语言的开发人员可以轻松学习。但是，它比 Python 快得多，因此非常适合与加速器一起使用。阅读详情

本文经授权转自公众号优快云（ID：优快云news）

作者 | Vincent，编译 | 苏宓

*👇我的小册 45章教程:(**小白零基础用Python量化股票分析小册*) ,原价299，限时特价2杯咖啡，满100人涨10元。

*👇我的小册 AI工具100个实战小案例:(**100个AI工具实战小案例) ,原价299，限时早鸟价29，满100人涨10元。*

两年前，Swift 之父、编译器大神 Chris Lattner 和 Google 前员工 Tim Davis 组队创立了初创公司 Modular，推出了高性能编程语言 Mojo。凭借“比 Python 快 90000 倍”的惊人宣传语，Mojo 成为整个开发者社区关注的焦点，被认为是“可能彻底改变 Python 命运”的新语言。

Chris Lattner 曾这样描述 Mojo：“ 它是 Python 家族的一员，汲取了所有这些酷炫的语言、编译器和其他技术，让 Python 向前迈进了一大步。我们认为它增强了 Python 的能力，赋予 Python 程序员超能力，让熟悉 Python 的人能够学习新知识，探索并征服新领域，而无需转用 C++。”

而如今，Chris Lattner 低调放出了一个意味深长的新变化：Python 现在可以直接调用 Mojo 代码了。

1、Mojo 正在被 Python 调用

据开发者 Vincent D. Warmerdam 的实测，Python 调用 Mojo 现在变得非常简单，详细步骤如下。

首先，可以直接用 uv 安装：

uv pip install modular --index-url https://dl.modular.com/public/nightly/python/simple/

然后你可以创建一个 .mojo 文件，导出一个计算阶乘的函数 factorial()，内容如下：

# mojo_module.mojofrom python import PythonObjectfrom python.bindings import PythonModuleBuilderimport mathfrom os import abort@exportfn PyInit_mojo_module() -> PythonObject:    try:        var m = PythonModuleBuilder("mojo_module")        m.def_function[factorial]("factorial", docstring="Compute n!")        return m.finalize()    except e:        return abort[PythonObject](String("error creating Python Mojo module:", e))fn factorial(py_obj: PythonObject) raises -> PythonObject:    var n = Int(py_obj)    var result = 1    for i in range(1, n + 1):        result *= i    return result

然后你就可以在 Python 中加载它：

# main.pyimport max.mojo.importerimport osimport sysimport time import mathsys.path.insert(0, "")import mojo_modulestart = time.time()print(mojo_module.factorial(10))end = time.time()print(f"Time taken: {end - start} seconds for mojo")start = time.time()print(math.factorial(10))end = time.time()print(f"Time taken: {end - start} seconds for python")

运行结果如下：

3628800Time taken: 3.0279159545898438e-05 seconds for mojo3628800Time taken: 5.0067901611328125e-06 seconds for python

一切运行正常。

2、问题显现

不过，在实测时，Vincent 也注意到了一些问题，对于 factorial(10) 这样的轻量计算，Mojo 与 Python 本身速度相差无几。但当输入扩大到 factorial(100) 时，Mojo 返回的结果却是错误的（输出为 0），而 Python 的结果则是正确的。

0Time taken: 2.7894973754882812e-05 seconds for mojo188267717688892609974376770249160085759540364871492425887598231508353156331613598866882932889495923133646405445930057740630161919341380597818883457558547055524326375565007131770880000000000000000000000000000000Time taken: 9.298324584960938e-06 seconds for python

这可能是 Mojo 侧溢出的结果。文档也提到这整套系统还处于早期阶段，说明其数值系统尚不成熟。

3、另一个例子

考虑到上面的问题可能是溢出引起的，Vincent 又试了一个例子来看看能不能测出加速效果。这次是一个朴素的素数统计实现。Mojo 代码如下：

from python import PythonObjectfrom python.bindings import PythonModuleBuilderimport mathfrom os import abort@exportfn PyInit_mojo_module() -> PythonObject:    try:        var m = PythonModuleBuilder("mojo_module")        m.def_function[count_primes]("count_primes", docstring="Count primes up to n")        return m.finalize()    except e:        return abort[PythonObject](String("error creating Python Mojo module:", e))fn count_primes(py_obj: PythonObject) raises -> PythonObject:    var n = Int(py_obj)    var count: Int = 0    for i in range(2, n + 1):        var is_prime: Bool = True        for j in range(2, i):            if i % j == 0:                is_prime = False                break        if is_prime:            count += 1    return count

对应的 Python 测试代码如下，此外 Vincent 还加了一个 NumPy 实现做对比：

import numpy as npimport max.mojo.importerimport osimport sysimport time import mathsys.path.insert(0, "")import mojo_moduledef count_primes(n):    count = 0    for i in range(2, n + 1):        is_prime = True        for j in range(2, i):            if i % j == 0:                is_prime = False                break        if is_prime:            count += 1    return countdef count_primes_numpy(n):    if n < 2:        return 0    candidates = np.arange(2, n + 1)    is_prime_mask = np.ones(len(candidates), dtype=bool)    for idx, candidate in enumerate(candidates):        if candidate == 2:            continue        divisors = np.arange(2, candidate)        has_divisor = np.any(candidate % divisors == 0)        if has_divisor:            is_prime_mask[idx] = False    return np.sum(is_prime_mask)n = 20_000start = time.time()print(count_primes(n))end = time.time()print(f"Time taken: {end - start} seconds for python")start = time.time()print(count_primes_numpy(n))end = time.time()print(f"Time taken: {end - start} seconds for numpy")start = time.time()print(mojo_module.count_primes(n))end = time.time()print(f"Time taken: {end - start} seconds for mojo")

运行结果如下：

Python 原生实现耗时：约 0.45 秒
NumPy 实现耗时：约 0.26 秒
Mojo 实现耗时：仅 0.01 秒

2262Time taken: 0.44585609436035156 seconds for python2262Time taken: 0.25995898246765137 seconds for numpy2262Time taken: 0.011101961135864258 seconds for mojo

尽管这一 benchmark 并非最优算法，但结果仍然具备参考价值：在这种纯 CPU 密集型的计算任务中，Mojo 的性能提升确实相当明显，尤其是与 NumPy 相比也有数量级上的优势。

4、写在最后

整体而言，通过实测，Vincent 发现，Mojo 的语法风格延续了 Python 的简洁性，同时具备编译语言的性能与类型系统。

不过，Mojo 当前仍处于早期阶段。文档覆盖不全、标准库功能有限、整套开发体验尚不稳定……这也意味着距离“生产可用”还有距离。

但从 Modular 的近期动作可以看出，该团队正在有意识地为 Python 社区打造“融合路径”——不是简单地“替代 Python”，而是围绕其生态做加速和增强。这种“拥抱兼容”的姿态或许更务实，也更容易获得社区的接纳。

对此，Vincent 评价道，「现在还不能称得上“生产可用”，但我已经更有信心了 —— 梦想确实正在靠近。」

原文：https://koaning.io/posts/giving-mojo-a-spin/

本文转自公众号“优快云”，ID：优快云news

最后推荐一下我们团队写的量化小册的内容，48篇内容！从Python安装，入门，数据分析，爬取股票基金的历史+实时数据，以及如何写一个简单量化策略，策略回测，如何看资金曲线统统都有介绍！非常超值！

欢迎订阅：原价299 早鸟价2杯咖啡钱，即可永久阅读。现在的价格非常非常低，只要2杯奶茶，就可以终身订阅+课程源码，还有永久陪伴群。48小时无理由退款，放心食用！

往期推荐
量化: 如何用Python爬取创业板历史+实时股票数据！｜实战股票分析篇利用Pandas 9招挖掘五粮液股价！｜实战股票数据分析篇 Pandas滚动操作 ｜量化股票第一步，用Python画股票K线，双均线图，可视化你的股票数据！｜如何用Python爬取全部800多只ETF基金数据！｜如何用Python写一个双均线策略 ｜如何用Python开发一个多策略机器人！上篇！｜Python量化系列-用布林策略买五粮液能赚多少钱？｜只要4秒钟！用Python 获取上证指数34年的历史日线数据！