JetBrains rilascia Mellum2.1, un modello open-source rapido per la programmazione

JetBrains ha rilasciato Mellum2.1, un modello open-source progettato specificamente per agenti di programmazione e sub-agenti rapidi che girano sull'hardware dell'utente ¹. Il modello è un thinking model da 12 miliardi di parametri basato su Mixture of Experts, il che significa che solo 2,5 miliardi di parametri sono attivi in ogni momento . Questo lo rende abbastanza piccolo da ospitare in privato restando veloce.

Il rilascio è disponibile con licenza Apache 2.0 su Hugging Face ¹. L'architettura è invariata rispetto a Mellum2, reso open-source da JetBrains nel giugno 2026, ma il miglioramento deriva quasi interamente dal reinforcement learning — un metodo di addestramento in cui il modello migliora provando compiti e ricevendo premi ².

Cosa puoi farci

Uno sviluppatore potrebbe eseguire il modello in locale per far esplorare a un agente AI il suo codice, modificare file e verificare le modifiche senza inviare dati al cloud ².
Un team potrebbe distribuire Mellum2.1 come sub-agente veloce per routing, riassunzione e tool-calling all'interno dei propri flussi di lavoro di ingegneria del software ³.
Un'azienda potrebbe ospitare in proprio il modello quantizzato da 7 GB su hardware GPU consumer per ottenere assistenza nella programmazione senza pagare commissioni API per token ¹.

Progettato per agenti che funzionano davvero

Mellum2 era veloce, ma non riusciva a lavorare in modo efficace all'interno di un repository software reale ². Dopo un'estate di reinforcement learning in ambienti reali, con milioni di esecuzione sandboxed attraverso migliaia di ambienti, Mellum2.1 può ora esplorare un codice, modificare file e verificare le proprie modifiche .

I miglioramenti più grandi sono nei compiti di coding agentic. Su SWE-bench Verified, il punteggio è passato da 2,0 con Mellum2 a 47,0 con Mellum2.1 ¹. Su SWE-bench Pro, è passato da 0,0 a 28,0 . Questi benchmark testano quanto bene un modello può risolvere bug reali in progetti open-source reali.

JetBrains ha aggiunto compiti di reinforcement learning in matematica, programming competitivo, scienza, uso di tool e ingegneria del software ². L'azienda ha filtrato dataset open per rimuovere test difettosi, risposte non verificabili e compiti troppo facili o impossibili per il modello .

Velocità e prestazioni

Mellum2.1 guida il suo gruppo di pari su diversi benchmark di programmazione ¹. Ha ottenuto 82,0 su LiveCodeBench v6, rispetto a 75,4 per Qwen3.5-9B e 69,4 per Gemma 4 E4B . Ha anche ottenuto il punteggio più alto su HumanEval+ a 91,5 e BFCL v4 a 62,3 .

Qwen3.5-9B supera ancora Mellum2.1 su SWE-bench Pro a 38,0 contro 28,0, nonché sui compiti basati sulla conoscenza come GPQA Diamond ¹. I numeri sono autocertificati da JetBrains e misurati usando la stessa pipeline di valutazione per tutti i modelli .

Sulla velocità, il post-training non ha cambiato l'architettura, quindi Mellum2.1 è veloce come il predecessore ². JetBrains riferisce di servire quasi il doppio dei token di Qwen3.5-9B su una singola GPU NVIDIA H200 sotto carico pesante ¹. Per richieste individuali, la multi-token prediction lo rende circa 1,6 volte più veloce .

Eseguirlo da soli

Il modello completo può essere servito su vLLM, e le build GGUF sono disponibili per l'uso locale tramite llama.cpp, Ollama e LM Studio ¹. La versione quantizzata più piccola parte da 7,0 GB, rendendolo pratico da eseguire su hardware consumer .

JetBrains raccomanda una temperatura di 0,6 e una lunghezza del contesto di 131.072 token ¹. Il modello viene fornito con pesi bfloat16 e supporta il tool calling per agenti che necessitano di interagire con sistemi esterni .

Quanto è bravo

Sui benchmark agentic di coding, Mellum2.1 ha ottenuto 47,0 su SWE-bench Verified e 28,0 su SWE-bench Pro, entrambi salti enormi rispetto a 2,0 e 0,0 di Mellum2 rispettivamente ¹. Contro rivali di dimensioni simili, lider su LiveCodeBench v6 a 82,0 contro Qwen3.5-9B a 75,4 e Gemma 4 E4B a 69,4, secondo JetBrains . Qwen3.5-9B ancora lo batte su SWE-bench Pro a 38,0, mostrando che il divario sui bug-fixing reali più difficili permane . Tutti i numeri sono autocertificati da JetBrains usando la propria pipeline di valutazione .

I fatti principali

Mellum2.1 è un modello Mixture of Experts da 12B con 2,5B di parametri attivi
Il punteggio su SWE-bench Verified è passato da 2,0 a 47,0 dopo il reinforcement learning
Rilasciato con licenza Apache 2.0 su Hugging Face
Gira in locale partendo da 7,0 GB con quantizzazione GGUF