JetBrains dévoile Mellum2.1, un modèle d'IA pour la programmation axé sur l'agentique
Selon IT之家, JetBrains a annoncé le 8 octobre, dans un billet de blog, le modèle d'IA pour la programmation Mellum2.1, qui met l'accent sur le renforcement de la programmation agentique. En tant que développeur, je suis de près ce type de modèles ouverts pouvant être déployés en local, alors je résume ici les points essentiels.
Le modèle reprend l'architecture de Mellum2 : il s'agit d'un modèle à mélange d'experts (MoE) de 12 milliards de paramètres, dont 2,5 milliards sont actifs, toujours publié sous licence Apache 2.0. Le changement principal dans l'entraînement est que l'étape d'apprentissage par renforcement après le préentraînement, auparavant une courte phase de finition, est devenue le cœur de l'entraînement. JetBrains a ajouté des données sur les mathématiques, les concours algorithmiques, les sciences, l'utilisation d'outils et le génie logiciel, et a construit des environnements internes d'apprentissage par renforcement, en lançant des millions de sandboxes à travers des milliers d'environnements pendant l'entraînement. Avant l'entraînement, les tâches comportant des tests défectueux, des réponses non vérifiables ou une difficulté inadaptée sont écartées.
Selon la description officielle, le modèle peut explorer une base de code, modifier des fichiers et vérifier ses propres changements. La plus grande amélioration concerne la programmation agentique : il peut identifier la cause racine des tests qui échouent, proposer un correctif et vérifier le résultat. Côté vitesse, l'architecture reste la même, mais la prédiction multi-tokens (MTP) permet d'obtenir une génération environ 1,6 fois plus rapide pour une requête unique. Face à Mellum2, Qwen3.5-9B et Gemma 4 E4B, dans les mêmes conditions d'évaluation, le débit de sortie de Mellum2.1 sur un seul H200 sous forte charge est proche du double de celui de Qwen3.5-9B.
Le modèle est disponible sur Hugging Face et peut être déployé en local ou sur une infrastructure propre, ce qui permet aux entreprises de garder leur code et leurs données dans leur propre environnement. JetBrains prévoit de publier des versions GGUF pour llama.cpp, Ollama et LM Studio, ainsi qu'un composant de décodage spéculatif MTP pour vLLM.
J'attends avec impatience la version GGUF, qui permettrait aux développeurs ordinaires de l'essayer sur leur propre machine. Pour un modèle de programmation, qu'est-ce qui compte le plus pour vous : la précision ou le coût de déploiement ?
Source : IT之家
Le modèle reprend l'architecture de Mellum2 : il s'agit d'un modèle à mélange d'experts (MoE) de 12 milliards de paramètres, dont 2,5 milliards sont actifs, toujours publié sous licence Apache 2.0. Le changement principal dans l'entraînement est que l'étape d'apprentissage par renforcement après le préentraînement, auparavant une courte phase de finition, est devenue le cœur de l'entraînement. JetBrains a ajouté des données sur les mathématiques, les concours algorithmiques, les sciences, l'utilisation d'outils et le génie logiciel, et a construit des environnements internes d'apprentissage par renforcement, en lançant des millions de sandboxes à travers des milliers d'environnements pendant l'entraînement. Avant l'entraînement, les tâches comportant des tests défectueux, des réponses non vérifiables ou une difficulté inadaptée sont écartées.
Selon la description officielle, le modèle peut explorer une base de code, modifier des fichiers et vérifier ses propres changements. La plus grande amélioration concerne la programmation agentique : il peut identifier la cause racine des tests qui échouent, proposer un correctif et vérifier le résultat. Côté vitesse, l'architecture reste la même, mais la prédiction multi-tokens (MTP) permet d'obtenir une génération environ 1,6 fois plus rapide pour une requête unique. Face à Mellum2, Qwen3.5-9B et Gemma 4 E4B, dans les mêmes conditions d'évaluation, le débit de sortie de Mellum2.1 sur un seul H200 sous forte charge est proche du double de celui de Qwen3.5-9B.
Le modèle est disponible sur Hugging Face et peut être déployé en local ou sur une infrastructure propre, ce qui permet aux entreprises de garder leur code et leurs données dans leur propre environnement. JetBrains prévoit de publier des versions GGUF pour llama.cpp, Ollama et LM Studio, ainsi qu'un composant de décodage spéculatif MTP pour vLLM.
J'attends avec impatience la version GGUF, qui permettrait aux développeurs ordinaires de l'essayer sur leur propre machine. Pour un modèle de programmation, qu'est-ce qui compte le plus pour vous : la précision ou le coût de déploiement ?
Source : IT之家
Commentaires 0
Laissez le premier commentaire, dans la langue de votre choix.
Connectez-vous pour commenter