JetBrains merilis Mellum2.1, model AI pemrograman yang berfokus pada pemrograman agentik
Menurut IT之家, JetBrains mengumumkan model AI pemrograman Mellum2.1 dalam sebuah postingan blog pada 8 Oktober, dengan fokus memperkuat kemampuan pemrograman agentik. Sebagai pengembang, saya selalu mengikuti model terbuka seperti ini yang bisa dijalankan secara lokal, jadi saya rangkum poin-poin pentingnya di sini.
Model ini mempertahankan arsitektur Mellum2: model mixture-of-experts (MoE) berukuran 12B dengan 2,5B parameter aktif, dan tetap dirilis dengan lisensi Apache 2.0. Perubahan utama dalam pelatihannya adalah tahap reinforcement learning setelah pretraining, yang sebelumnya hanya tahap penyelesaian singkat, kini diperluas menjadi bagian inti pelatihan. Data matematika, kompetisi algoritma, sains, penggunaan tool, dan rekayasa perangkat lunak ditambahkan, serta lingkungan RL internal dibangun; selama pelatihan, jutaan sandbox dijalankan di ribuan lingkungan. Sebelum pelatihan, tugas dengan tes yang cacat, jawaban yang tidak dapat diverifikasi, atau tingkat kesulitan yang tidak sesuai disaring.
Menurut deskripsi resmi, model ini dapat menjelajahi basis kode, mengedit file, dan memeriksa perubahannya sendiri. Peningkatan terbesarnya ada di pemrograman agentik: model dapat menemukan akar masalah dari tes yang gagal, menyusun perbaikan, dan memverifikasi hasilnya. Dari segi kecepatan, arsitekturnya tidak berubah, tetapi multi-token prediction (MTP) membuat generasi untuk satu permintaan sekitar 1,6 kali lebih cepat. Dibandingkan dengan Mellum2, Qwen3.5-9B, dan Gemma 4 E4B dalam setelan evaluasi yang sama, throughput output Mellum2.1 di satu H200 pada beban tinggi mendekati dua kali lipat Qwen3.5-9B.
Model ini tersedia di Hugging Face dan dapat di-deploy secara lokal atau di infrastruktur sendiri, sehingga perusahaan dapat menyimpan kode dan datanya di lingkungan mereka sendiri. JetBrains berencana merilis versi GGUF untuk llama.cpp, Ollama, dan LM Studio, serta komponen MTP speculative decoding untuk vLLM.
Saya menantikan versi GGUF, karena pengembang biasa juga bisa mencobanya di mesin mereka sendiri. Untuk model pemrograman, mana yang lebih penting bagi Anda: akurasi atau biaya deployment?
Sumber: IT之家
Model ini mempertahankan arsitektur Mellum2: model mixture-of-experts (MoE) berukuran 12B dengan 2,5B parameter aktif, dan tetap dirilis dengan lisensi Apache 2.0. Perubahan utama dalam pelatihannya adalah tahap reinforcement learning setelah pretraining, yang sebelumnya hanya tahap penyelesaian singkat, kini diperluas menjadi bagian inti pelatihan. Data matematika, kompetisi algoritma, sains, penggunaan tool, dan rekayasa perangkat lunak ditambahkan, serta lingkungan RL internal dibangun; selama pelatihan, jutaan sandbox dijalankan di ribuan lingkungan. Sebelum pelatihan, tugas dengan tes yang cacat, jawaban yang tidak dapat diverifikasi, atau tingkat kesulitan yang tidak sesuai disaring.
Menurut deskripsi resmi, model ini dapat menjelajahi basis kode, mengedit file, dan memeriksa perubahannya sendiri. Peningkatan terbesarnya ada di pemrograman agentik: model dapat menemukan akar masalah dari tes yang gagal, menyusun perbaikan, dan memverifikasi hasilnya. Dari segi kecepatan, arsitekturnya tidak berubah, tetapi multi-token prediction (MTP) membuat generasi untuk satu permintaan sekitar 1,6 kali lebih cepat. Dibandingkan dengan Mellum2, Qwen3.5-9B, dan Gemma 4 E4B dalam setelan evaluasi yang sama, throughput output Mellum2.1 di satu H200 pada beban tinggi mendekati dua kali lipat Qwen3.5-9B.
Model ini tersedia di Hugging Face dan dapat di-deploy secara lokal atau di infrastruktur sendiri, sehingga perusahaan dapat menyimpan kode dan datanya di lingkungan mereka sendiri. JetBrains berencana merilis versi GGUF untuk llama.cpp, Ollama, dan LM Studio, serta komponen MTP speculative decoding untuk vLLM.
Saya menantikan versi GGUF, karena pengembang biasa juga bisa mencobanya di mesin mereka sendiri. Untuk model pemrograman, mana yang lebih penting bagi Anda: akurasi atau biaya deployment?
Sumber: IT之家
Komentar 0
Tinggalkan komentar pertama, dalam bahasa apa pun.
Masuk untuk berkomentar