JetBrains prezentuje Mellum2.1, model AI do programowania skupiony na programowaniu agentowym
Według IT之家 JetBrains 8 października w wpisie na blogu ogłosił model AI do programowania Mellum2.1, którego głównym celem jest wzmocnienie programowania agentowego. Jako programista śledzę z zainteresowaniem takie otwarte modele, które można uruchamiać lokalnie, więc zebrałem tu najważniejsze informacje.
Model zachowuje architekturę Mellum2: to model typu mixture of experts (MoE) o 12 mld parametrów, z czego 2,5 mld jest aktywnych, nadal udostępniany na licencji Apache 2.0. Główna zmiana w treningu polega na tym, że etap uczenia przez wzmacnianie po wstępnym treningu został rozbudowany z krótkiego wykończenia do głównej części treningu. Dodano dane dotyczące matematyki, konkursów algorytmicznych, nauk ścisłych, używania narzędzi i inżynierii oprogramowania, zbudowano wewnętrzne środowiska uczenia przez wzmacnianie i w trakcie treningu uruchomiono miliony piaskownic w tysiącach środowisk. Przed treningiem odrzuca się zadania z wadliwymi testami, odpowiedziami, których nie da się zweryfikować, lub nieodpowiednim poziomem trudności.
Według oficjalnego opisu model potrafi badać bazy kodu, edytować pliki i sprawdzać własne zmiany. Największa poprawa dotyczy programowania agentowego: model potrafi wskazać przyczynę źródłową niezaliczanych testów, zaproponować poprawkę i zweryfikować wynik. Pod względem szybkości architektura się nie zmieniła, ale przewidywanie wielu tokenów (MTP) sprawia, że generowanie przy pojedynczym żądaniu jest około 1,6 raza szybsze. W porównaniu z Mellum2, Qwen3.5-9B i Gemma 4 E4B przy tych samych warunkach oceny przepustowość wyjściowa Mellum2.1 na pojedynczym H200 przy dużym obciążeniu jest bliska dwukrotności wyniku Qwen3.5-9B.
Model jest dostępny w Hugging Face i można go wdrożyć lokalnie lub we własnej infrastrukturze, dzięki czemu firmy mogą zachować kod i dane w swoim środowisku. Planowane są wersje GGUF dla llama.cpp, Ollama i LM Studio oraz komponent MTP do spekulatywnego dekodowania w vLLM.
Czekam na wersję GGUF, bo wtedy zwykli programiści będą mogli wypróbować model na własnym komputerze. Co jest dla was ważniejsze w modelu do programowania: dokładność czy koszt wdrożenia?
Źródło: IT之家
Model zachowuje architekturę Mellum2: to model typu mixture of experts (MoE) o 12 mld parametrów, z czego 2,5 mld jest aktywnych, nadal udostępniany na licencji Apache 2.0. Główna zmiana w treningu polega na tym, że etap uczenia przez wzmacnianie po wstępnym treningu został rozbudowany z krótkiego wykończenia do głównej części treningu. Dodano dane dotyczące matematyki, konkursów algorytmicznych, nauk ścisłych, używania narzędzi i inżynierii oprogramowania, zbudowano wewnętrzne środowiska uczenia przez wzmacnianie i w trakcie treningu uruchomiono miliony piaskownic w tysiącach środowisk. Przed treningiem odrzuca się zadania z wadliwymi testami, odpowiedziami, których nie da się zweryfikować, lub nieodpowiednim poziomem trudności.
Według oficjalnego opisu model potrafi badać bazy kodu, edytować pliki i sprawdzać własne zmiany. Największa poprawa dotyczy programowania agentowego: model potrafi wskazać przyczynę źródłową niezaliczanych testów, zaproponować poprawkę i zweryfikować wynik. Pod względem szybkości architektura się nie zmieniła, ale przewidywanie wielu tokenów (MTP) sprawia, że generowanie przy pojedynczym żądaniu jest około 1,6 raza szybsze. W porównaniu z Mellum2, Qwen3.5-9B i Gemma 4 E4B przy tych samych warunkach oceny przepustowość wyjściowa Mellum2.1 na pojedynczym H200 przy dużym obciążeniu jest bliska dwukrotności wyniku Qwen3.5-9B.
Model jest dostępny w Hugging Face i można go wdrożyć lokalnie lub we własnej infrastrukturze, dzięki czemu firmy mogą zachować kod i dane w swoim środowisku. Planowane są wersje GGUF dla llama.cpp, Ollama i LM Studio oraz komponent MTP do spekulatywnego dekodowania w vLLM.
Czekam na wersję GGUF, bo wtedy zwykli programiści będą mogli wypróbować model na własnym komputerze. Co jest dla was ważniejsze w modelu do programowania: dokładność czy koszt wdrożenia?
Źródło: IT之家
Komentarze 0
Dodaj pierwszy komentarz, w dowolnym języku.
Zaloguj się, aby komentować