JetBrains Mellum2.1：架构没动，SWE-bench 跳了 45 分，动的是强化学习的位置

2026 年 10 月 8 日，JetBrains 把 Mellum2.1 挂上 Hugging Face。12B 参数，Apache 2.0，激活 2.5B。同一天，社区里最刺眼的一个数字是 SWE-bench Verified 从 2.0 涨到 47.0。

一个版本跳 45 分，架构一个字没改。

🧩 模型没动，动的是训练的主语

Mellum2.1 沿用 Mellum2 的全部结构：12B 总参数，2.5B 激活的混合专家（MoE），上下文 131,072。JetBrains 自家的话是后训练没碰架构，所以速度与上一代持平。

真正变了的是强化学习的位置。在 Mellum2 里，强化学习是训练末尾的一小段收尾工序；在 Mellum2.1 里，它成了训练主体。数学、竞赛编程、科学题、工具调用、软件工程五类任务都配了强化学习科目，训练在真实代码仓库里跑，配 shell 与文件编辑工具，测试通过就发奖励。官方说法是启动了数百万个沙箱，铺在数千个自建环境上。

训练数据也过了一道筛：剔除测试坏掉的题、答案无法验证的题，以及过简单或根本不可能完成的题。

📊 短任务赢，长任务输

同一套流水线（Pi v0.73.1 harness，114K 上下文，思考模式），JetBrains 测了四个模型。分界线很清楚：比编码谜题和工具调用，Mellum2.1 领先；比真实仓库里的修 bug，Qwen3.5-9B 领先。

那 45 分涨幅要放回它所属的类别看。SWE-bench Verified 是真实 GitHub issue 的修复率，2.0 意味着二十个 bug 里修不到一个。这个模型此前是个代码补全工具，压根不碰仓库；45 分的涨幅说明它学会了逛仓库、读日志、找到失败测试的根因、改代码、跑测试验证。

分界线不是参数量，是任务长度与是否需要逛仓库。

⚖️ 厂商自测与模型卡的差

所有分数都是 JetBrains 自己跑的，无人复现。更麻烦的是同一个模型两套数字：Qwen 自己的模型卡写 LiveCodeBench v6 是 65.6、GPQA Diamond 是 81.7，JetBrains 实测同一模型是 75.4 和 77.8。差距不小，方向还不一致（前者高 9.8，后者高 3.7）。到底是评测流水线不同还是版本不同，两边都没细说。

所以这份成绩单的正确读法是：47.0 与 50.0 之间那 3 分之差，在厂商自测的同一流水线内可比；跨厂商的那几个数字不可比。

🚀 真正的卖点是吞吐

JetBrains 讲吞吐不讲命中。单张 H200 高负载下，它说 Mellum2.1 吐出的 token 接近 Qwen3.5-9B 的两倍。具体数值只存在于一张图里，未在正文给出。单请求场景靠多 token 预测（MTP）头提速约 1.6 倍，这个头在 vLLM 上标注 coming soon。

自部署的门也一并开着。GGUF 量化版本已在仓库里：

7.0 GB 意味着一台家用显卡能同时开好几个编码子智能体。服务端用 vLLM，--reasoning-parser qwen3，工具调用再加 --enable-auto-tool-choice --tool-call-parser hermes，推荐温度 0.6、top_p 0.95、top_k 20。托管 API 没有价格。

🧭 谁该换，谁不该换

已经在自托管 Qwen3.5-9B 做编码智能体的团队，换模型的理由不成立。真实仓库修 bug 这类像日常工作的任务上，Qwen 依然更高。Mellum2.1 值得试的场景是另一种：在固定 GPU 预算下同时跑很多智能体或子智能体，且源码不能出内网。这时候低几个百分点的命中率配上两倍的吞吐，量上去了就是划算的买卖。

验证方式也很简单：在自己的仓库上，用同一套 harness 跑两个模型，只量两件事。每秒 token 数，以及真正关掉的工单数。

信源：JetBrains 官方博客与 Mellum2.1 模型卡（2026-10-08 上线，JetBrains/Mellum2.1-12B-A2.5B-Thinking）；llmreference、datanorth、syncai 三方转述一致处采信，单一来源处标注。全部基准分数为 JetBrains 自测，无第三方复现。Qwen 自家模型卡与 JetBrains 实测的数字差异已并列，未裁定谁对。MTP 头与托管 API 在发布日尚未可用。

#AIcoding #JetBrains #Mellum #开源模型 #MoE