当一种语言的社区开始构建所有人依赖的库时，它就成为一个生态。Mojo 和 MAX 正在经历这样的过程，我们希望支持更多这样的项目。让我们来认识首批 Modular Community Grant 获选项目：六个由社区构建的 Mojo 和 MAX 库，由 Modular 资助，涵盖强化学习、GPU 物理模拟和开发者工具。

培育 Modular 生态：Modular 社区资助计划

来源：https://www.modular.com/blog/nurturing-the-modular-ecosystem-the-modular-community-grant-program?utm_source=x

今年早些时候，我们发起了一轮社区项目提案征集（https://forum.modular.com/t/introducing-the-modular-community-grant-program/2941），提供小额资助以支持那些构成生态基础设施的 Mojo 和 MAX 库。我们收到了来自各类贡献者的大量申请，收到的优秀提案远超我们能支持的数量。

以下是目前正在支持的项目：

noeira (https://github.com/denislabs/mojo-rl)

Denis Laboureyras（@denislabs）

noeira 创建于 2026 年初，是一个完全用 Mojo 编写的开源强化学习（RL）框架。该项目目前支持 40 多种 RL 算法、GPU 加速的深度强化学习、自定义 2D/3D 物理引擎、原生街机游戏引擎以及 SDL3 渲染。

该项目源于对 Python 强化学习技术栈性能瓶颈的不满，其长期目标是提供一个完全端到端的 RL 框架，其中环境、智能体和训练全部在 GPU 上以纯 Mojo 运行。

在近期，该项目计划发布与主流 RL 技术栈（Gymnasium、Stable Baselines3、PyTorch）的严格基准对比，以量化纯 Mojo 方案所带来的性能提升。

在这里观看 Denis 在社区会议上的演讲。（https://www.youtube.com/watch?v=gvDEC5_iEb4&list=PLh0S94-sJw_6UcaIMgpESb5KSVRsuuhnX&index=1）

bajo (https://github.com/jgsimard/bajo)

Jean-Gabriel Simard（@jgsimard）

bajo 是一个并行物理模拟器，设计目标是在单个 GPU 上同时运行数千个 RL/机器人训练环境。该项目已经实现了一个业界领先的 GPU 排序实现（Morton 编码 + BVH 构建）作为其计算基础。

六个月的计划是对该排序层进行封装，实现高性能的并行碰撞检测和刚体动力学。随后将其扩展为一个可运行的数千环境原型，并与 NVIDIA 的 Warp 和 Madrona 进行基准对比。

在这里观看 Jean-Gabriel 在社区会议上的演讲。（https://www.youtube.com/watch?v=Fps_baqJg8E&list=PLh0S94-sJw_6UcaIMgpESb5KSVRsuuhnX&index=2）

Fast Fourier Transform (https://github.com/martinvuyk/hackathon-fft)

Martin Vuyk Loperena（@martinvuyk）

快速傅里叶变换（FFT）实现，在 CPU 和 GPU 上均已接近业界最高性能，分别可与 FFTW 和 cuFFT 竞争。该项目始于 2025 年年中的一场黑客松，此后一直在持续演进。

近期目标包括添加半尺寸变换支持（hC2R、R2hC），并推动在已支持的 R2R、C2R 和 R2C 变换上实现更显著的性能提升。如果能消除剩余差距，MAX 的 cuFFT 依赖将可以完全移除。

关注十一月社区会议，收看 Martin 关于其 FFT 实现的演讲。（https://luma.com/nov-modular）

EmberJson (https://github.com/bgreni/EmberJson)

Brian Grenier（@bgreni）

EmberJson 是目前 Mojo 中使用最广泛的 JSON 解析库。该包深度利用了 Mojo 的反射能力，同时支持结构化和非结构化解析。

路线图指向一个类似 Rust Serde 风格的通用序列化框架，以及对 Python 互操作性的持续优化。早期基准测试已经表明，即便存在互操作开销，它的性能也超过了 Python 内置的 JSON 处理。

加入我们的十月社区会议，聆听 Brian 分享该项目的最新进展。（https://luma.com/oct-modular）

floki (https://github.com/thatstoasty/floki)

Mikhail Tavarez（@thatstoasty）

floki 是一个基于 libcurl 绑定的易用 Mojo HTTP 客户端。该项目已支持 Python requests 模块用户所熟悉的诸多功能。目前的开发重点是提供更加人性化的 libcurl 高级配置访问方式，并简化底层绑定的实现。

在这里观看 Mikhail 在社区会议上的演讲。（https://www.youtube.com/watch?v=gvDEC5_iEb4）

momanim (https://github.com/josiahls/momanim)

Josiah Laivin（@josiahls）

momanim 是一个受 Manim（https://github.com/3b1b/manim）启发的 2D 动画框架。该项目旨在利用 CPU 和 GPU 加速来大幅缩短渲染时间，其 API 设计尽量贴近 Manim，使得借助 LLM 进行 Python 到 Mojo 的自动化转换切实可行。项目尚处于早期阶段：基础的图像/视频 API 和图形渲染已经就位，3D 渲染 API 已列入路线图。

收看十月社区会议，聆听 Josiah 分享 momanim。（https://luma.com/oct-modular）

未来的方向

总体来看，这批获选项目是 Modular 社区在 Mojo 和 MAX 持续发展中的一个缩影：既是基础设施，也是令人兴奋的应用。我们感谢社区中每一位推动平台前进的人，迫不及待想看到你们接下来的成果。