JetBrains 开源 Mellum2.1：12B 编程模型练成能改代码的子智能体

JetBrains 于 2026 年 10 月 8 日在官方博客发布 Mellum2.1，这是它今年 6 月开源的 12B 混合专家（MoE）编程模型的第二个版本。模型架构没有变，仍是 12B 总参数、2.5B 激活参数，继续采用 Apache 2.0 许可证；变化几乎全部发生在预训练之后。官方称，Mellum2 虽然快，但还无法在真实代码仓库里按预期工作，经过一个夏天在真实环境中的强化学习后，Mellum2.1 可以自行探索代码库、编辑文件并检查自己的改动。模型权重已在 Hugging Face 发布，具体链接见官方博客。

JetBrains 把这一版的工作重点放在后训练，尤其是强化学习。官方说明，强化学习从过去一个简短的收尾阶段，变成了训练的主体部分，团队在方法和数据上做了大量实验，只保留经得起验证的做法。训练数据方面，新增了数学、竞赛编程、科学、工具调用和软件工程方向的强化学习任务，把公开数据集与自建任务结合，并在进入训练前逐条过滤掉坏测试、无法验证的答案或难度不合适的题目。针对智能体能力，JetBrains 搭建了可以同时运行上千个强化学习环境的内部设施，整个训练过程启动了数百万个沙盒；在软件工程任务里，模型是在真实代码仓库中、带着 shell 和文件编辑工具训练的，只有测试通过才拿到奖励。

JetBrains 用同一套流程评测了 Mellum2.1、上一代 Mellum2，以及两个同类开源模型 Qwen3.5-9B 和 Gemma 4 E4B，结果由 JetBrains 自行报告。提升最明显的是智能体编程：SWE-bench Verified 从 Mellum2 的 2.0% 升到 47.0%，Terminal-Bench 2.1 从 0.6% 升到 17.4%，SWE-bench Pro 从 0.0% 升到 28.0%。常规编程题也全面上涨，LiveCodeBench v6 为 82.0%，高于上一代的 69.4% 和 Qwen3.5-9B 的 75.4%。数学和知识类同样进步，AIME 25/26 从 60.1% 升到 83.3%，GPQA Diamond 从 51.0% 升到 64.6%。需要提醒的是，这些数字是厂商自评、未经第三方复核，横向比较时要注意各家评测管线并不一致。

这套做法的关键是让模型学会“自己验证自己”。在软件工程任务里，奖励信号不是人类打分，而是仓库里原本就有的测试是否通过，这要求模型先读懂代码、定位失败原因，再动手修改并回头检查结果。JetBrains 还提到，公开的强化学习数据常常带着坏测试、无法验证的答案，或者对模型来说太简单、根本做不出来的题，所以每一条数据进入训练前都被筛过一遍。对使用者的直接含义是，这一代模型更像一个能在仓库里干活的“子智能体”，而不只是一个补全代码的助手。

Mellum2.1 仍是 12B 总参数、2.5B 激活的 MoE 结构，共 28 层，上下文长度 131072（约 128K）token，采用分组查询注意力，每 4 层里有 3 层使用 1024 的滑动窗口。官方称后训练没有改动架构，所以速度与上一代一致，并借助多 token 预测（MTP）进一步加速：在高负载下它是这组模型里最快的，服务的 token 吞吐量接近 Qwen3.5-9B 的两倍，单次请求则快约 1.6 倍。部署上，官方给出了 vLLM 的启动命令，权重已在 Hugging Face 提供。面向 llama.cpp、Ollama 和 LM Studio 的 GGUF 版本，以及 vLLM 里用于投机解码的 MTP 头，官方称很快推出。

横向看，Gemma 4 E4B 在这组里整体偏弱，SWE-bench Verified 为 23.0%、Terminal-Bench 2.1 为 3.4%，更多是作为一个体积更小的参照。JetBrains 特意说明，智能体类评测对每个模型都用了同一套开源智能体框架（Pi v0.73.1，带 shell 和文件工具）、统一的上下文长度和每轮 token 上限，但非智能体评测用的是贪心解码，各家默认采样并不相同。因此更稳妥的读法是：把 Mellum2.1 与自家上一代的对比当成主要结论，与外部模型的差距只作参考。

把 Mellum2.1 放进同类里看，它的定位很清楚：比上一代强得多，但和 Qwen3.5-9B 这类更大的开源模型相比各有胜负。智能体编程上，Qwen3.5-9B 的 SWE-bench Verified 为 50.0%、Terminal-Bench 2.1 为 21.7%、SWE-bench Pro 为 38.0%，都略高于 Mellum2.1。但 Mellum2.1 在 LiveCodeBench v6、MBPP+ 以及 BFCL v4 工具调用上领先，而且体积更小、激活参数更少、推理更快。也就是说，如果你追求单机高并发、低延迟地跑编程子智能体，Mellum2.1 的性价比更突出；如果追求最强的单次解题能力，可以先用 Qwen3.5-9B 做对照再决定。

2.5B 激活参数是它能在本地跑起来的关键，虽然总参数有 12B，但每次推理只调用其中一部分专家，显存和算力压力因此小很多。官方给出的 vLLM 命令里已经带上了推理结果解析和工具调用解析，方便直接接到智能体框架里；如果只想先试试，也可以等 GGUF 版本用 Ollama 或 LM Studio 一键拉起。需要注意的是，官方没有公布具体的显存门槛和并发数据，实际能跑多快取决于你的硬件和量化方式，建议先用小批量请求测一轮再决定是否上生产。

对独立开发者和团队来说，Mellum2.1 值得关注的点是可私有部署：代码和数据完全留在自己的机器或内网，适合对数据出域敏感的场景。验证方法不复杂，从 Hugging Face 拉取权重，用 vLLM 起服务，再拿自己项目里几个真实的失败测试或小改动让它跑，看它能否定位根因、改对文件并让测试通过，同时记录延迟和显存占用。对已经在用 JetBrains 全家桶的团队，它的意义是补上一块可以自托管的编程子智能体拼图，用来分担主模型的任务；对只想在 IDE 里补全代码的普通用户，这次更新并不改变日常使用，无需立刻行动。编辑判断是，Mellum2.1 的价值在于“够用、便宜、可自控”，而不是冲击最强榜单。

从行业角度看，Mellum2.1 说明一个方向：在 12B 这个量级上，决定编程智能体好不好用的关键，已经从模型规模转向后训练与真实环境的强化学习。JetBrains 用数百万个沙盒把“在仓库里改代码、跑测试”变成可训练的信号，这类做法正在被更多厂商采用。下一步值得关注两件事：一是 GGUF 与 MTP 版本落地后，本地部署的实际速度和显存门槛；二是有没有第三方独立评测来复核这批自评数字。对读者来说，判断标准很实际，它能不能在你的代码库上稳定通过测试，能就留下，不能就继续用你现在的方案。

本文由 AI 潮汐编辑部基于官方公告与公开资料整理，补充了行业影响、适用场景和行动建议，帮助你在阅读原文前先理解这条信息为什么重要。

原始来源：https://blog.jetbrains.com/ai/2026/10/mellum2-1-gets-to-work-a-fast-open-model-for-coding-agents/

如发现事实、价格或链接有误，可通过 联系我们 提交更正。