JetBrains 发布并开源了 Mellum2.1，一个专门给本地编程代理用的小模型。它沿用 Mellum2 的混合专家架构，总参数 12B、激活参数 2.5B，许可证是 Apache 2.0，权重放在 Hugging Face，模型卡标注为“思考型模型”。
官方博客对它的描述很直白：能在代码库里四处翻、改文件、再检查自己的改动。上一代做不到这一步，JetBrains 在文中承认 Mellum2 在仓库里干活的水平没达到他们想要的程度。
架构没动，换的是训练
Mellum2.1 和 Mellum2 用的是同一套骨架：28 层，64 个专家每次激活 8 个，注意力用 GQA，每 4 层里有 3 层走 1024 长度的滑动窗口，上下文长度 131072。变化全在后训练。
按 JetBrains 的说法，强化学习从过去训练末尾的一个短阶段，变成了训练的主体。任务覆盖数学、竞赛编程、科学、工具调用和软件工程，数据混合了公开的强化学习数据集和团队自建的任务，每个来源进训练前都做过过滤，因为公开数据里常有写错的测试、无法验证的答案和难度不合适的题。
软件工程那部分是在真实代码仓库里练出来的：模型拿到 shell 和文件编辑工具，测试跑通才给奖励。团队为此自建了一套基础设施，博客里的原话是训练期间跑了“millions of sandboxed runs across thousands of environments”，也就是在数千个环境里启动了数百万次沙箱运行。
分数涨在哪
模型卡给出了一张自测对比表，对手是上一代 Mellum2 Thinking、Gemma 4 E4B 和 Qwen3.5 9B。涨幅最大的是代理类任务：
| 基准 | 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 |
代理类评测统一用开源的 Pi v0.73.1 作为执行框架，配 shell 和文件工具，上下文给到 114K，每轮最多 16K token。所有分数都是 JetBrains 自己跑的，目前没有第三方复现。
和 Qwen3.5 9B 放在一起看
拿同量级里最常被拿来比的 Qwen3.5 9B 对照，Mellum2.1 的长板和短板都很清楚。
写单个函数、做竞赛题、调用工具，Mellum2.1 领先：LiveCodeBench 高 6.6 分，MBPP+ 高近 10 分，BFCL 高约 4 分。在仓库里连续干活，它还落后：SWE-bench Verified 差 3 分，SWE-bench Pro 差 10 分，Terminal-Bench 差 4 分多。通识推理差距更大，GPQA Diamond 是 64.6 对 77.8，AIME 是 83.3 对 86.7。安全拒答类测试 XSTest 上，它的 88.8 分也低于 Qwen 和 Gemma。
JetBrains 押的是速度。博客称在 H200 上的高负载测试里，Mellum2.1 是这组模型里最快的，单位时间能服务的 token 大约是 Qwen3.5 9B 的两倍；单请求场景下，多 token 预测能再提速约 1.6 倍。原因不难推：9B 稠密模型每个 token 都要算全部参数，Mellum2.1 每次只动 2.5B。粗算下来，它的单 token 计算量约为前者的三成，代价是 12B 权重都得放进显存，按 bfloat16 估算约 24GB。
这决定了它适合的位置：在开发者自己的机器或公司内网里，承担大量重复的小改动和工具调用，复杂的跨文件重构还是交给更大的模型。JetBrains 在博客里也强调本地部署能让代码和数据完全留在自己手里。
现在能怎么用
模型卡给了 vLLM 的部署命令，Transformers 和 SGLang 也能跑。llama.cpp、Ollama、LM Studio 用的 GGUF 版本，以及 vLLM 里做投机解码的 MTP 头，官方写的是“即将推出”，暂时没有日期。对多数想在笔记本上试的人来说，要等 GGUF 出来才方便。
参考来源：JetBrains 官方博客、Hugging Face 模型卡核对架构参数与各项评测分数、CocoLoop；Mellum2 技术报告核对上一代架构。