JetBrains 发布 Mellum2.1：12B MoE（2.5B 激活）开源编程 Agent 模型，SWE-bench Verified 从 2.0 跃至 47.0

核心背景与行业痛点

本地与边缘编程 Agent 需要「够快、够小、还能进仓库改代码」的开源权重。JetBrains 在 6 月开源的 Mellum2（12B MoE / 2.5B 激活）吞吐出色，但官方坦言它还不能在真实仓库里可靠地探索、编辑并自检。10 月 8 日发布的 Mellum2.1 把几乎全部算力押在后训练：把 RL 从短收尾阶段升级为主训练，并在自建基础设施上跑了数百万次真实沙箱。

架构亮点与底层机制

架构相对 Mellum2 未改：12B 总参 / 2.5B 激活、28 层、64 专家中激活 8、131K 上下文、Apache 2.0（见 Hugging Face 模型卡）。变化集中在三块：① RL 规模与方法实验；② 数学/竞程/科学/工具/软件工程任务更严过滤；③ 软件工程在真实仓库 + shell + 文件编辑工具里训练，以测试通过为奖励。目标画像是 Agent 系统里的快速 worker / sub-agent，也可自托管保数据不出境。

权威 Benchmark 与实测跑分对比

以下分数均为 JetBrains 同管线 thinking 模式自评（非第三方独立榜），Agent 评测统一用开源 Pi v0.73.1（shell+文件工具、114K 上下文）。相对 Mellum2：SWE-bench Verified 2.0→47.0，SWE-bench Pro 0.0→28.0，Terminal-Bench 2.1 0.6→17.4。同组对比 Qwen3.5-9B / Gemma 4 E4B：Mellum2.1 在 LiveCodeBench v6（82.0）、HumanEval+（91.5）、MBPP+（79.4）、BFCL v4（62.3）领先；仍落后 Qwen3.5-9B 的 SWE Verified（50.0）与 Pro（38.0）。吞吐上官方称重载下同组最快，单请求 MTP 约 1.6×。HarmBench 从 21.5 降到 8.5（越低越好）。

开发者实战落地与开箱指南

权重已在 Hugging Face：JetBrains/Mellum2.1-12B-A2.5B-Thinking。推荐用 vLLM：

vllm serve JetBrains/Mellum2.1-12B-A2.5B-Thinking \
  --max-model-len 131072 --reasoning-parser qwen3 \
  --enable-auto-tool-choice --tool-call-parser hermes

面向仓库内任务时可接 Pi / 自研 harness，让模型读改测闭环。GGUF（llama.cpp / Ollama / LM Studio）与 vLLM 的 MTP speculative head 即将发布——适合先在 GPU 上用 bf16/vLLM 验证 Agent 工作流，再等量化包上边缘机。注意：SWE 分数为官方自报，接入前请用自己的回归集复测。