先看证据
把机制串起来
MoE（混合专家）模型并非每个 token 都调用全部参数：路由器只挑一部分专家计算，因此总参数量主要关系到模型容量，激活参数量更直接影响每步计算量；但显存仍需容纳专家权重。代码代理也不只是补全代码，而是要读仓库、调用工具、改文件并验证结果，最终表现很依赖模型与执行环境、工具和测试的配合。
Mellum2.1 保留 64 个专家、每 token 激活 8 个的 MoE 结构，因此这次性能跃升不能简单归因于增加模型规模或改变架构；按 JetBrains 的说法，主要增量来自后训练中的 RL。训练任务覆盖数学、竞赛编程、科学、工具使用和软件工程；公开 RL 数据经过筛选，剔除测试损坏、答案无法验证以及过易或不可能完成的任务。软件工程训练把模型放进真实代码仓库，提供 shell 和文件编辑工具，并以测试结果作为奖励依据，让模型从“写出看似合理的补丁”转向尝试完成可执行
['适合做代码代理子任务、快速推理或私有化部署；Apache 2.0开放。', '可用vLLM或SGLang部署；量化GGUF可用于llama.cpp、Ollama和LM Studio。', '部署需区分2.5B激活计算与12B总权重的显存需求。', '高风险仓库修改应独立运行测试与审查；不宜只凭模型自述判断正确性。']
架构没变，任务定义变了
JetBrains于2026年10月8日发布Mellum2.1，这是一个面向编码代理和快速子代理的开放模型，采用Apache 2.0许可证。它总计有120亿参数，但每个token只激活约25亿参数；JetBrains称它可以在代码仓库中探索文件、编辑代码并检查改动，而不只是回答单个编程问题。
这次更新的关键不在于换了更大的模型或新架构。Mellum2.1沿用Mellum2的结构，主要变化集中在后训练：JetBrains把强化学习从训练末尾的短阶段变成主要环节，并报告称SWE-bench Verified成绩从2.0升至47.0。对技术负责人来说，这提出了一个更实际的问题：模型能否从“生成看起来合理的代码”，转向在工具和测试约束下完成一项仓库任务？
测试通过，成为训练信号
JetBrains描述的训练方式，是让模型在真实软件仓库环境中使用shell和文件编辑工具，再依据任务结果给予奖励；软件工程任务的一个关键判断是测试是否通过。训练任务还覆盖数学、竞赛编程、科学和工具使用，公开强化学习数据也经过筛选，以剔除测试损坏、答案无法验证，以及过易或不可能完成的任务。
这改变了模型“学会做什么”的路径。单靠代码示例，模型可以学会模仿局部写法，却未必能定位跨文件问题、执行修改并处理失败结果；在可运行的环境里，测试结果至少为这些动作提供了可检查的反馈。JetBrains称训练期间在数千个环境中启动了数百万个沙盒任务，但没有公布任务类别分布、各数据集占比或训练计算量，因此外界还无法判断哪些任务贡献最大。
大幅跃升不等于全面领先
JetBrains报告的变化集中在代理式软件任务：SWE-bench Verified从2.0到47.0，SWE-bench Pro从0.0到28.0，Terminal-Bench 2.1从0.6到17.4。与此同时，Mellum2.1在LiveCodeBench v6得82.0，在HumanEval+得91.5，在MBPP+得79.4，显示它在若干代码生成与编程评测上也有竞争力。
但横向比较并非全面胜出。JetBrains同一评测管线下，Qwen3.5-9B在SWE-bench Verified得50.0、SWE-bench Pro得38.0，Terminal-Bench 2.1也以21.7高于Mellum2.1；它在AIME 25/26和GPQA Diamond上同样领先。LiveCodeBench的对照则是Mellum2.1得82.0、Qwen3.5-9B得75.4。成绩应按任务类型拆开看，而不能压缩成一个“谁更强”的结论。
小激活量有部署价值，速度仍需复核
Mellum2.1采用混合专家结构：64个专家中，每个token由路由器激活8个；模型有28层，支持131,072-token上下文，权重以BF16提供。这里的“25亿激活参数”描述的是每个token参与计算的规模，不代表部署时只需存放这部分权重。对自托管团队而言，总参数规模、推理框架和量化版本仍会影响硬件与服务成本。
JetBrains称，单张NVIDIA H200在高负载下，Mellum2.1的吞吐量接近Qwen3.5-9B的两倍；单请求场景借助多token预测（MTP）则约快1.6倍。后一个数字尤其需要谨慎：JetBrains同时表示供vLLM推测解码使用的MTP head即将推出，公开材料尚未给出可独立复现的完整条件。模型也提供面向llama.cpp、Ollama和LM Studio的GGUF构建，起始文件大小为7.0GB，但文件大小本身不能代替目标硬件上的延迟、吞吐和质量测试。
把它当作专用工人，而不是总分冠军
对正在搭建编码代理的团队，Mellum2.1值得进入候选名单，尤其是希望自托管、需要控制推理成本，或要把模型放在主代理旁边承担代码搜索和局部修改等工作时。它的核心吸引力，是小激活规模与面向仓库任务的后训练组合，而不是在所有知识、推理和复杂代理任务上都胜过更大的对手。
评测结论仍有边界：模型卡标明分数由JetBrains使用同一管线自报，代理任务采用Pi v0.73.1和114K上下文；不同管线会影响横向成绩，JetBrains测得的Qwen部分分数也与Qwen自家模型卡不同。公开材料没有提供逐题日志、统计不确定性或独立复跑结果。实际选型时，应在自己的仓库、工具链和测试集上评估任务完成率、失败恢复能力与运行成本，再决定让它承担哪些工作，而不是把47.0分直接当作生产可靠性的证明。