JetBrains开源了个12B编程模型，专门给智能体打下手

提到编程模型，大家想到的都是那几个闭源的大块头。可真在智能体里干活的，往往不是那块最聪明的大脑，而是跟在后面打杂的小模型——读文件、总结改动、挑该跑哪个测试、写条提交信息。这些调用密密麻麻，每一次都丢给昂贵的大模型，又慢又贵，账单涨得比进度快。这些调用密密麻麻，每一次都丢给昂贵的大模型，又慢又贵，账单涨得比进度快，省下来的时间又被等待吃掉。

JetBrains在2026年10月8日开源了Mellum2.1，瞄准的正是这批杂活。它是个120亿参数的混合专家模型，每个token只激活其中25亿，上下文窗口13万token，用Apache 2.0许可开放，模型已经放到Hugging Face上，可以直接拉下来部署。模型已经放到Hugging Face上，可以直接拉下来部署，不用申请、不用等邀请，这一点对想先试后买的人很友好。

架构跟上一代Mellum2一模一样，改的全在预训练之后。JetBrains在官方博客里说，上一代速度够快，但没法在真实代码库把活干到位。这一版的功夫几乎全花在强化学习上，把RL从训练末尾的收尾步骤，变成了训练的主体部分。参数一个没加，能力却要往上提，路子就只剩把训练本身做扎实这一条。这也是小模型这两年最实际的进步方向。这也是小模型这两年最实际的进步方向：不拼参数规模，拼的是把训练本身做扎实，让有限的参数发挥出超出体量的能力。

具体到怎么练：他们自建了数千个强化学习环境，整个训练过程跑了数百万次沙箱。任务覆盖数学、竞赛编程、科学、工具调用和软件工程。开放数据集在进入训练前先过一遍筛子，把测试本身有问题的、答案没法验证的、难度明显失衡的全都剔掉。数据脏一点，强化学习就会朝着错的方向长，这道筛选比堆数据量更关键。数据脏一点，强化学习就会朝着错的方向长，这道筛选比堆数据量更关键，质量不行的时候，数量只会放大错误。

效果集中在智能体编程这一块。按官方同口径评测，它在SWE-bench Verified上从上一代的2.0涨到47.0，LiveCodeBench v6拿到82.0，比同级别的Qwen3.5-9B的75.4还高。模型现在能自己翻代码库、改文件、再回头检查自己改得对不对，这已经不只是代码补全，而是能在仓库里跑完整流程。这已经不只是代码补全，而是能在仓库里跑完整流程，从看懂问题到改完再验证，中间那几段过去最费人的活它都能接。

短板也别藏着。在更考验端到端干活的Terminal-Bench 2.1上，它只有17.4，反而低于Qwen3.5-9B的21.7。这些数字都是JetBrains自己公布的，还没被独立复现过，看的时候心里要有数。厂商自测的强项，通常是把所有条件拉齐后的最好成绩，轮到你自己那套流程，数字大概会往下走一截。厂商自测的强项，通常是把所有条件拉齐后的最好成绩，轮到你自己那套流程，数字大概会往下走一截，参考价值有限。

它更硬的卖点是速度。架构没动，后训练没拖慢推理，加上多token预测，单次请求大约快1.6倍。官方在单张H200上测，高负载时它的吞吐接近Qwen3.5-9B的两倍。并发场景里，吞吐直接决定单位时间能做完几轮任务，这对按产出量而不是按单次质量计价的工作最划算。你雇的是能连轴转的临时工，不是偶尔灵光的老师傅。你雇的是能连轴转的临时工，不是偶尔灵光的老师傅，跑腿的活要的就是稳定和快，而不是偶尔一次的惊艳。

这里有个容易被忽略的账。一个智能体每一轮都要带上大约六千token的系统提示词，多个子智能体扇出之后，这笔基础开销是成倍放大的。把杂活分给小模型，省下的不只是单次调用的钱，而是整个扇出结构的成本。提示词排在前面的是稳定内容、后面才是增长的对话，这样缓存命中率才高，成本才压得住。提示词排在前面的是稳定内容、后面才是增长的对话，这样缓存命中率才高，成本才压得住，顺序本身就是成本控制的一部分。

Apache 2.0许可的分量，不能只当成免费看。它意味着你可以把模型放在自己的服务器上跑，拿内部代码微调，甚至嵌进产品里卖，不用付授权费，也没有用量限制。对代码不能出内网的团队——银行、政企、受客户合同约束的外包——这一条比基准分数重要得多。合规要求一旦卡住，再高的分数也进不了生产环境。合规要求一旦卡住，再高的分数也进不了生产环境，所以对这类团队来说，许可和部署方式的分量，往往超过基准测试上的几分。

硬件门槛也不高。只激活25亿参数，一张卡就能服务不少并发，量化之后在配置好点的笔记本上也能做本地实验。官方后续还会放出llama.cpp、Ollama、LM Studio的GGUF版本，以及给vLLM用的推测解码组件。部署方式越轻，试错成本越低，愿意真正用起来的人也就越多。部署方式越轻，试错成本越低，愿意真正用起来的人也就越多，工具的门槛降下来，才会有人拿它去做真正的东西。

往后大概会看到越来越多的两级配置：一个大模型负责规划和判断，一个小开源模型负责跑腿和执行。这套分工在成本和速度上都更划算，而Mellum2.1这类模型，抢的就是跑腿这个位置。它不负责想明白要做什么，只负责把想明白的事快速做完，这恰恰是智能体里最占调用量的那部分。