1

Pitch: Nativa: criando uma linguagem de programação para aproximar a simplicidade do Python do desempenho do código nativo

Olá, pessoal!

Quero compartilhar um projeto open source que venho desenvolvendo: Nativa, uma linguagem de programação experimental escrita em Python, com foco em simplicidade, desempenho e execução local de modelos de inteligência artificial.

Repositório: https://github.com/Benevalterjr/nativa

Por que comecei esse projeto?

Uma das coisas que me incomodam no desenvolvimento de IA é que, muitas vezes, experimentar modelos localmente exige bastante memória, hardware especializado e bibliotecas complexas.

Resolvi explorar outro caminho: criar uma linguagem que mantenha uma sintaxe familiar para quem gosta de Python, mas que permita experimentar otimizações de baixo nível e execução eficiente, inclusive em máquinas com recursos limitados.

Não estou tentando reinventar tudo o que já existe. Quero entender, na prática, até onde consigo chegar construindo as peças necessárias.

O que já consegui construir?

O Nativa deixou de ser apenas um experimento de sintaxe e já conta com:

Linguagem própria: sintaxe inspirada em Python, funções tipadas, escopo léxico, estruturas de dados e sistema de importação.

Runtime e compilação AOT: componentes nativos em C para acelerar operações críticas.

Quantização experimental: implementação de quantização ternária de pesos, usando os valores -1, 0 e 1, além de kernels baseados em tabelas de consulta (Vec-LUT).

Execução local de LLMs: já consegui executar modelos Qwen com quantização em um fluxo de chat funcional.

Otimização de kernels: experimentos com operações de projeção de redes neurais, buscando reduzir consumo de memória e tempo de execução.

Em um dos meus experimentos com matrizes de projeção, uma implementação baseada em Vec-LUT levou aproximadamente 0,82 ms, contra 3,53 ms da implementação de referência, no teste realizado.

É importante deixar claro: esse resultado é específico daquele benchmark, não uma demonstração de que o Nativa é mais rápido que outras linguagens ou runtimes em geral. Ainda há muito trabalho de validação, precisão numérica e otimização pela frente.

O que torna esse projeto interessante para mim?

O objetivo não é apenas criar mais uma linguagem de programação. É investigar a relação entre linguagem, compilador, representação numérica e execução de modelos de IA.

Quero explorar como tornar a inferência local mais acessível, aproveitando melhor CPU, memória e, futuramente, diferentes backends de aceleração.

Estou desenvolvendo o projeto de forma independente, aprendendo e testando cada etapa. Isso significa que há limitações, decisões experimentais e bastante espaço para melhorias.

Quero ouvir a comunidade

Gostaria especialmente de receber contribuições e opiniões de quem trabalha com:

Desenvolvimento de linguagens, compiladores e runtimes.

Otimização de código C/C++ e operações vetorizadas.

Quantização de modelos e inferência local de LLMs.

Arquitetura de computadores e uso eficiente de memória.

Se você fosse avaliar esse projeto tecnicamente, por onde começaria? Pela arquitetura da linguagem, pelos kernels numéricos ou pela estratégia de execução dos modelos?

Críticas técnicas, sugestões e contribuições são muito bem-vindas.

Carregando publicação patrocinada...