JetBrains lanserar Mellum2.1, en AI-modell för programmering med fokus på agentisk programmering
Enligt IT之家 meddelade JetBrains i ett blogginlägg den 8 oktober AI-programmeringsmodellen Mellum2.1, med fokus på att stärka agentisk kodning. Som utvecklare följer jag med intresse öppna modeller som denna, som kan köras lokalt, så här sammanfattar jag de viktigaste punkterna.
Modellen behåller arkitekturen från Mellum2: det är en mixture-of-experts-modell (MoE) på 12 miljarder parametrar, där 2,5 miljarder är aktiva, och den släpps fortfarande under licensen Apache 2.0. Den största förändringen i träningen är att förstärkningsinlärningsfasen efter förträningen har vuxit från ett kort slutsteg till en central del av träningen. Data om matematik, algoritmtävlingar, naturvetenskap, verktygsanvändning och mjukvaruutveckling har lagts till, och interna miljöer för förstärkningsinlärning har byggts. Under träningen startades miljontals sandlådor i tusentals miljöer. Innan träningen sorteras uppgifter bort om de har felaktiga tester, svar som inte går att verifiera eller olämplig svårighetsgrad.
Enligt den officiella beskrivningen kan modellen utforska kodbaser, redigera filer och kontrollera sina egna ändringar. Den största förbättringen gäller agentisk kodning: den kan hitta grundorsaken till misslyckade tester, föreslå en rättning och verifiera resultatet. När det gäller hastighet är arkitekturen oförändrad, men multitokenprediktion (MTP) gör genereringen för en enskild förfrågan cirka 1,6 gånger snabbare. Jämfört med Mellum2, Qwen3.5-9B och Gemma 4 E4B under samma utvärderingsvillkor ligger Mellum2.1:s utdatagenomströmning på en enda H200 under hög belastning nära det dubbla av Qwen3.5-9B.
Modellen finns på Hugging Face och kan driftsättas lokalt eller på egen infrastruktur, så att företag kan behålla sin kod och data i sin egen miljö. Planer finns på GGUF-versioner för llama.cpp, Ollama och LM Studio samt en MTP-komponent för spekulativ avkodning i vLLM.
Jag ser fram emot GGUF-versionen, eftersom vanliga utvecklare då kan prova den på sina egna datorer. Vad är viktigast för dig i en kodmodell: noggrannhet eller driftskostnad?
Källa: IT之家
Modellen behåller arkitekturen från Mellum2: det är en mixture-of-experts-modell (MoE) på 12 miljarder parametrar, där 2,5 miljarder är aktiva, och den släpps fortfarande under licensen Apache 2.0. Den största förändringen i träningen är att förstärkningsinlärningsfasen efter förträningen har vuxit från ett kort slutsteg till en central del av träningen. Data om matematik, algoritmtävlingar, naturvetenskap, verktygsanvändning och mjukvaruutveckling har lagts till, och interna miljöer för förstärkningsinlärning har byggts. Under träningen startades miljontals sandlådor i tusentals miljöer. Innan träningen sorteras uppgifter bort om de har felaktiga tester, svar som inte går att verifiera eller olämplig svårighetsgrad.
Enligt den officiella beskrivningen kan modellen utforska kodbaser, redigera filer och kontrollera sina egna ändringar. Den största förbättringen gäller agentisk kodning: den kan hitta grundorsaken till misslyckade tester, föreslå en rättning och verifiera resultatet. När det gäller hastighet är arkitekturen oförändrad, men multitokenprediktion (MTP) gör genereringen för en enskild förfrågan cirka 1,6 gånger snabbare. Jämfört med Mellum2, Qwen3.5-9B och Gemma 4 E4B under samma utvärderingsvillkor ligger Mellum2.1:s utdatagenomströmning på en enda H200 under hög belastning nära det dubbla av Qwen3.5-9B.
Modellen finns på Hugging Face och kan driftsättas lokalt eller på egen infrastruktur, så att företag kan behålla sin kod och data i sin egen miljö. Planer finns på GGUF-versioner för llama.cpp, Ollama och LM Studio samt en MTP-komponent för spekulativ avkodning i vLLM.
Jag ser fram emot GGUF-versionen, eftersom vanliga utvecklare då kan prova den på sina egna datorer. Vad är viktigast för dig i en kodmodell: noggrannhet eller driftskostnad?
Källa: IT之家
Kommentarer 0
Skriv den första kommentaren, på vilket språk du vill.
Logga in för att kommentera