JetBrains مدل هوش مصنوعی Mellum2.1 را برای برنامه‌نویسی با تمرکز بر برنامه‌نویسی عاملی عرضه کرد
به گزارش IT之家، JetBrains در مطلبی در وبلاگ خود در تاریخ ۸ اکتبر از مدل هوش مصنوعی برنامه‌نویسی Mellum2.1 رونمایی کرد که تقویت برنامه‌نویسی عاملی را هدف اصلی آن اعلام کرده است. من به عنوان توسعه‌دهنده همیشه به این نوع مدل‌های متن‌باز که می‌توان آن‌ها را به صورت محلی اجرا کرد علاقه‌مند بوده‌ام، پس نکات اصلی را اینجا خلاصه می‌کنم.
این مدل معماری Mellum2 را حفظ کرده است: یک مدل ترکیبی از متخصصان (MoE) با ۱۲ میلیارد پارامتر که ۲.۵ میلیارد پارامتر آن فعال است و همچنان با مجوز Apache 2.0 منتشر می‌شود. مهم‌ترین تغییر در آموزش این است که مرحله یادگیری تقویتی پس از پیش‌آموزش، از یک مرحله کوتاه نهایی به بخش اصلی آموزش گسترش یافته است. داده‌هایی درباره ریاضیات، مسابقات الگوریتمی، علوم، استفاده از ابزارها و مهندسی نرم‌افزار افزوده شده و محیط‌های داخلی یادگیری تقویتی ساخته شده‌اند و در جریان آموزش میلیون‌ها سندباکس در هزاران محیط راه‌اندازی شده است. پیش از آموزش، وظایفی که آزمون‌های معیوب دارند، پاسخ‌هایشان قابل راستی‌آزمایی نیست یا سطح دشواری نامناسبی دارند کنار گذاشته می‌شوند.
طبق توضیح رسمی، این مدل می‌تواند پایگاه کد را بررسی کند، فایل‌ها را ویرایش کند و تغییراتش را بازبینی کند. بزرگ‌ترین بهبود در برنامه‌نویسی عاملی است: می‌تواند ریشه خطای آزمون‌های ناموفق را پیدا کند، اصلاحیه‌ای پیشنهاد دهد و نتیجه را تأیید کند. از نظر سرعت، معماری تغییری نکرده، اما پیش‌بینی چندتوکنی (MTP) باعث می‌شود تولید برای یک درخواست تقریباً ۱.۶ برابر سریع‌تر شود. در مقایسه با Mellum2، Qwen3.5-9B و Gemma 4 E4B با همان تنظیمات ارزیابی، توان خروجی Mellum2.1 روی یک H200 در بار سنگین نزدیک به دو برابر Qwen3.5-9B است.
این مدل در Hugging Face در دسترس است و می‌توان آن را به صورت محلی یا روی زیرساخت خودتان مستقر کرد، به طوری که شرکت‌ها بتوانند کد و داده‌هایشان را در محیط خودشان نگه دارند. JetBrains قصد دارد نسخه‌های GGUF برای llama.cpp، Ollama و LM Studio و یک مؤلفه MTP برای رمزگشایی حدسی در vLLM منتشر کند.
منتظر نسخه GGUF هستم، چون در آن صورت توسعه‌دهندگان عادی هم می‌توانند آن را روی رایانه خودشان امتحان کنند. برای شما در یک مدل کدنویسی کدام مهم‌تر است: دقت یا هزینه استقرار؟
منبع: IT之家
این مدل معماری Mellum2 را حفظ کرده است: یک مدل ترکیبی از متخصصان (MoE) با ۱۲ میلیارد پارامتر که ۲.۵ میلیارد پارامتر آن فعال است و همچنان با مجوز Apache 2.0 منتشر می‌شود. مهم‌ترین تغییر در آموزش این است که مرحله یادگیری تقویتی پس از پیش‌آموزش، از یک مرحله کوتاه نهایی به بخش اصلی آموزش گسترش یافته است. داده‌هایی درباره ریاضیات، مسابقات الگوریتمی، علوم، استفاده از ابزارها و مهندسی نرم‌افزار افزوده شده و محیط‌های داخلی یادگیری تقویتی ساخته شده‌اند و در جریان آموزش میلیون‌ها سندباکس در هزاران محیط راه‌اندازی شده است. پیش از آموزش، وظایفی که آزمون‌های معیوب دارند، پاسخ‌هایشان قابل راستی‌آزمایی نیست یا سطح دشواری نامناسبی دارند کنار گذاشته می‌شوند.
طبق توضیح رسمی، این مدل می‌تواند پایگاه کد را بررسی کند، فایل‌ها را ویرایش کند و تغییراتش را بازبینی کند. بزرگ‌ترین بهبود در برنامه‌نویسی عاملی است: می‌تواند ریشه خطای آزمون‌های ناموفق را پیدا کند، اصلاحیه‌ای پیشنهاد دهد و نتیجه را تأیید کند. از نظر سرعت، معماری تغییری نکرده، اما پیش‌بینی چندتوکنی (MTP) باعث می‌شود تولید برای یک درخواست تقریباً ۱.۶ برابر سریع‌تر شود. در مقایسه با Mellum2، Qwen3.5-9B و Gemma 4 E4B با همان تنظیمات ارزیابی، توان خروجی Mellum2.1 روی یک H200 در بار سنگین نزدیک به دو برابر Qwen3.5-9B است.
این مدل در Hugging Face در دسترس است و می‌توان آن را به صورت محلی یا روی زیرساخت خودتان مستقر کرد، به طوری که شرکت‌ها بتوانند کد و داده‌هایشان را در محیط خودشان نگه دارند. JetBrains قصد دارد نسخه‌های GGUF برای llama.cpp، Ollama و LM Studio و یک مؤلفه MTP برای رمزگشایی حدسی در vLLM منتشر کند.
منتظر نسخه GGUF هستم، چون در آن صورت توسعه‌دهندگان عادی هم می‌توانند آن را روی رایانه خودشان امتحان کنند. برای شما در یک مدل کدنویسی کدام مهم‌تر است: دقت یا هزینه استقرار؟
منبع: IT之家
دیدگاه‌ها 0
اولین دیدگاه را به هر زبانی بنویس.
برای دیدگاه نوشتن وارد شو