JetBrains刚更的Mellum2.1，把SWE-bench Verified的分数从2.0拉到了47.0——这个提升幅度够让做代码大模型的人眼前一亮。
升级的门道：几乎全靠真实代码环境的RL
Mellum2.1是12B参数的混合专家（MoE）推理模型，激活参数只有2.5B，架构和去年6月开源的Mellum2没差太多。JetBrains这次的升级几乎全靠强化学习（RL），而且是在真实软件环境里练出来的：用了几百万个沙箱，跑在几千个环境里，模型探索仓库、编辑文件、检查改动，只要测试通过就给奖励。
对应的，它在agentic coding类的基准测试里涨得最猛：除了SWE-bench Verified，SWE-bench Pro从0跳到28.0，Terminal-Bench 2.1从0.6涨到17.4。其他测试里，LiveCodeBench v6拿了82.0，比Qwen3.5-9B的75.4还高；HumanEval+、MBPP+这些基础代码任务也压过对手。
本地跑起来的门槛：最小7GB，一张H200就能扛
想本地部署这个模型，门槛比想象低。JetBrains放了GGUF量化版本，最小的MXFP4_MOE只有7GB，能在llama.cpp、Ollama、LM Studio这些工具里跑。速度方面，和上一代Mellum2保持一样：1张NVIDIA H200重负载下，吞吐量是Qwen3.5-9B的近2倍；单请求用MTP优化，快1.6倍。
JetBrains还给出了推荐参数：temperature设0.6，top_p0.95，top_k20，跑的时候要开工具调用，用对应的parser就行。
还没补上的短板，和同行的机会
Mellum2.1不是全赢，还是有没追上的地方：Terminal-Bench 2.1的17.4比Qwen3.5-9B的21.7低，SWE-bench Pro的28.0也比Qwen的38.0差；专业知识类的GPQA Diamond，Qwen拿77.8，它只有64.6；数学推理的AIME，Qwen也高过它。
另外要注意，JetBrains测的Qwen分数，和Qwen自己报告的不一样——比如Qwen自己说LiveCodeBench v6拿65.6，JetBrains测的是75.4，说明基准测试的管道会影响结果，不能光看数字。
对行业来说，Mellum2.1的核心优势是轻量（2.5B激活）、开源、本地可跑，给想搭私有编码助手的开发者省了不少硬件成本，但在硬核的agent任务和深度推理上，还有空间留给其他模型。
这个模型的定位很明确，就是为编码智能体和轻量子智能体做的，不是通用大模型。你会考虑用这个7GB级的开源模型搭本地编码助手吗？
素材来源：MarkTechPost · AI情报、大模型、AI智能体、AI应用落地
查看报道原文
本文由 WeValue 情报引擎基于公开报道整理改写
发表第一条评论吧