Ang paglulunsad
Noong Oktubre 8, 2026, inilabas ng JetBrains, gumawa ng IntelliJ IDEA, PyCharm at ng wikang Kotlin, ang Mellum2.1, bagong bersyon ng open model nito para sa code. Isa itong 12-bilyong-parameter na Mixture-of-Experts na 2.5 bilyon lang ang active kada token, sa ilalim ng Apache 2.0 (pinapayagan ang komersyal na paggamit).
Pareho ang architecture sa Mellum2, na binuksan noong Hunyo. Ang nagbago ay ang post-training. Ayon sa JetBrains, mabilis ang Mellum2 pero hindi nito kayang magtrabaho sa loob ng isang repository sa antas na gusto nila. Pagkatapos ng isang tag-init ng reinforcement learning (RL) sa totoong environment, kaya na ng Mellum2.1 na galugarin ang codebase, mag-edit ng files at suriin ang sarili nitong mga pagbabago.
Ano ang nagbago
- RL bilang pangunahing bahagi ng training, hindi na maikling huling yugto.
- Mas maraming data, mas mahigpit ang pagsala: bagong tasks sa math, competitive programming, science, tool use at software engineering. Sabi ng JetBrains, madalas may sirang tests, hindi ma-verify na sagot o sobrang dali na tasks ang open data, kaya sinala lahat.
- Totoong environment sa malaking sukat: sariling infrastructure na nagpapatakbo ng libu-libong RL environment, na may milyon-milyong sandbox sa buong training.
Performance at bilis
Ikinumpara ng JetBrains ang Mellum2.1 sa Mellum2, Qwen3.5-9B at Gemma 4 E4B gamit ang parehong evaluation setup. Pinakamalaki ang pag-angat sa agentic coding, at may pag-unlad din sa coding, competitive programming, math, tool calling at pangkalahatang kaalaman. Nasa mga chart sa blog ang eksaktong numero; resulta ito ng kumpanya mismo.
Sa bilis:
- Sa mabigat na load, ito ang pinakamabilis sa grupo, na naghahatid ng halos dobleng tokens kumpara sa Qwen3.5-9B.
- Para sa iisang request, ginagawa itong mga 1.6 na beses na mas mabilis ng multi-token prediction (MTP).
Para saan ito
- Mabilis na sub-agent sa loob ng agentic systems: paghanap sa root cause ng pumapalyang test, pag-draft at pagsuri ng fix.
- Pangkalahatang assistant para sa pang-araw-araw na tanong at math at reasoning problems.
- Pribadong deployment: patakbuhin nang lokal o sa sariling infrastructure, para kontrolado ang code at data.
Nasa Hugging Face ang weights. Inanunsyo ng JetBrains na "malapit na" ang GGUF builds para sa llama.cpp, Ollama at LM Studio at ang MTP head para sa vLLM; may GGUF repository nang lumalabas sa Hugging Face page ng kumpanya.
Bakit mahalaga
Nagiging "manggagawa" ng agents ang maliliit at mabibilis na model: ang malaking model ang nagpaplano, at ilang maliliit na model ang sabay-sabay na gumagawa ng tasks. Sa 2.5B active, kasya ang Mellum2.1 sa karaniwang GPU at binabawasan ang gastos at latency, nang hindi naglalabas ng code sa kumpanya.
Para sa mga negosyo
- Subukan ito bilang sub-agent sa mga gawaing malinaw ang saklaw (tests, maliliit na fix), hindi bilang kapalit ng frontier models.
- Ikumpara sa sarili mong repository: hindi laging sumasalamin sa code mo ang benchmarks ng vendor.
- Bagay sa sensitibong code na hindi puwedeng lumabas ng network.
Mga pinagmulan
- Blog ng JetBrains (Okt 8, 2026): https://blog.jetbrains.com/ai/2026/10/mellum2-1-gets-to-work-a-fast-open-model-for-coding-agents/
- Hugging Face, JetBrains/Mellum2.1-12B-A2.5B-Thinking: https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking
Gusto mo bang magpatakbo ng pribadong coding agents sa sariling infrastructure? Nag-aalok ang KGA IT ng libreng konsultasyon: kga-it.com.