JetBrains 發表並開源了 Mellum2.1，這是一款專為本地端程式設計代理打造的小模型。它沿用 Mellum2 的混合專家架構，總參數 12B、啟用參數 2.5B，授權為 Apache 2.0，權重放在 Hugging Face，模型卡標示為「思考型模型」。
官方部落格對它的描述很直接：能在程式庫裡四處查看、修改檔案，再檢查自己的改動。上一代做不到這一步，JetBrains 在文中承認 Mellum2 在儲存庫裡的作業表現沒有達到他們期望的水準。
架構沒變，改的是訓練
Mellum2.1 與 Mellum2 使用同一套骨架：28 層，64 個專家每次啟用 8 個，注意力採用 GQA，每 4 層中有 3 層使用 1024 長度的滑動視窗，上下文長度為 131072。所有變動都在後訓練階段。
依 JetBrains 的說法，強化學習從過去訓練尾端的一個短階段，變成了訓練的主體。任務涵蓋數學、競賽程式設計、科學、工具呼叫與軟體工程，資料混合了公開的強化學習資料集與團隊自建的任務，每個來源在進入訓練前都經過過濾，因為公開資料裡常有寫錯的測試、無法驗證的答案和難度不合適的題目。
軟體工程的部分是在真實程式碼儲存庫裡練出來的：模型拿到 shell 和檔案編輯工具，測試跑通才給獎勵。團隊為此自建了一套基礎設施，部落格的原話是訓練期間執行了「millions of sandboxed runs across thousands of environments」，也就是在數千個環境裡啟動了數百萬次沙盒執行。
分數漲在哪裡
模型卡提供了一張自行測試的對照表，對手是上一代 Mellum2 Thinking、Gemma 4 E4B 和 Qwen3.5 9B。漲幅最大的是代理類任務：
| 基準測試 | Mellum2.1 | Mellum2 | Qwen3.5 9B |
|---|---|---|---|
| SWE-bench Verified | 47.0 | 2.0 | 50.0 |
| SWE-bench Pro | 28.0 | 0.0 | 38.0 |
| Terminal-Bench 2.1 | 17.4 | 0.6 | 21.7 |
| LiveCodeBench v6 | 82.0 | 69.4 | 75.4 |
| BFCL v4 | 62.3 | 49.6 | 58.5 |
代理類評測統一使用開源的 Pi v0.73.1 作為執行框架，搭配 shell 與檔案工具，上下文設為 114K，每輪最多 16K token。所有分數都是 JetBrains 自己跑出來的，目前沒有第三方重現。
和 Qwen3.5 9B 放在一起看
拿同量級中最常被拿來比較的 Qwen3.5 9B 對照，Mellum2.1 的長處與短處都很清楚。
撰寫單一函式、解競賽題、呼叫工具，Mellum2.1 領先：LiveCodeBench 高 6.6 分，MBPP+ 高近 10 分，BFCL 高約 4 分。在儲存庫裡連續作業，它還落後：SWE-bench Verified 差 3 分，SWE-bench Pro 差 10 分，Terminal-Bench 差 4 分多。通用推理的差距更大，GPQA Diamond 是 64.6 對 77.8，AIME 是 83.3 對 86.7。在安全拒答類測試 XSTest 上，它的 88.8 分也低於 Qwen 和 Gemma。
JetBrains 押注的是速度。部落格稱，在 H200 上的高負載測試中，Mellum2.1 是這組模型裡最快的，單位時間能服務的 token 大約是 Qwen3.5 9B 的兩倍；單一請求情境下，多 token 預測還能再提速約 1.6 倍。原因不難推想：9B 稠密模型每個 token 都要運算全部參數，Mellum2.1 每次只動用 2.5B。粗略估算，它每個 token 的運算量約為前者的三成，代價是 12B 權重都得放進顯示記憶體，以 bfloat16 估算約 24GB。
這決定了它適合的位置：在開發者自己的電腦或公司內網裡，負責大量重複的小改動與工具呼叫，複雜的跨檔案重構還是交給更大的模型。JetBrains 在部落格中也強調，本地端部署能讓程式碼與資料完全留在自己手裡。
現在可以怎麼用
模型卡提供了 vLLM 的部署指令，Transformers 和 SGLang 也能執行。供 llama.cpp、Ollama、LM Studio 使用的 GGUF 版本，以及 vLLM 中用於推測式解碼的 MTP 頭，官方寫的是「即將推出」，目前沒有日期。對多數想在筆電上試用的人來說，要等 GGUF 推出才方便。
參考來源：JetBrains 官方部落格、Hugging Face 模型卡（核對架構參數與各項評測分數）、CocoLoop；Mellum2 技術報告（核對上一代架構）。