10月8日，JetBrains 发布开源编程模型 Mellum2.1，它和阿里 Qwen3.5-9B 怎么比，很快成了开发者讨论换 AI 助手的热点。结论并不复杂：如果主要任务是让智能体自己在真实仓库里找并修 bug，现有数据下 Qwen3.5-9B 仍占上风；如果你更在意单卡吞吐、响应速度和"代码不出内网"，Mellum2.1 的优势明显。 但比分更值得注意的一点是：所有对比数字目前都出自 JetBrains 自测，尚无第三方复现。
JetBrains 于 10 月 8 日发布博文上线 Mellum2.1，重点增强智能体编程能力：模型延续 Mellum2 的 12B 混合专家架构，拥有 2.5B 活跃参数，并继续采用 Apache 2.0 许可证发布。微博
升级没动架构，全押在后训练
架构完全没变：12B 混合专家、每次只激活 2.5B 参数、131072 上下文、权重放在 Hugging Face，升级几乎全部放在预训练之后，强化学习从收尾的一小段变成训练主体。训练时，模型带着终端和文件编辑工具进入真实代码仓库改代码，测试通过才获得奖励，团队在训练期间启动数百万个沙箱，覆盖数千个环境。小红书知乎
同场比 17 项，Mellum2.1 只赢 5 项
这套练法在智能体编程上确实见效：自测中 SWE-bench Verified 成功率从旧版 2% 升至 47%，但仍略低于 Qwen3.5-9B 的 50%；LiveCodeBench v6 拿到 82%，超过 Qwen 的 75.4%。完整对比 17 项基准，Mellum2.1 只拿下 5 项胜场：赢在 LiveCodeBench v6、HumanEval+ 和两项工具调用，而三个最像"真实仓库里修 bug"的基准被 Qwen 包揽（50.0、38.0、21.7）。小红书小红书
别只看分：数字是厂商自测，换条管线结论就会动
问题在于这些还是 JetBrains 自测，没有第三方复现，pipeline 一换结论就动：Qwen 官方模型卡上 LiveCodeBench v6 只有 65.6、GPQA Diamond 81.7，JetBrains 用同一套流程测出的是 75.4 和 77.8。同一模型换套评测工具能有接近 10 分的差距，"82 超 75.4"目前只在单一家的评测口径里成立。拿分数做决策之前，先弄清是谁测的。小红书
成本账：本地门槛接近，服务器吞吐差出一倍
部署门槛上两家接近。Qwen3.5-9B 属于今年 3 月初开源的 Qwen3.5 小尺寸系列，基于统一基座，Apache 2.0 开源可商用，支持 LoRA 和全量微调，消费级显卡即可启动任务适配。有部署教程给出的实测配置是：Q4 量化显存约 6.55GB、8G 显卡能跑，上下文 262K token。Mellum2.1 的模型权重及 GGUF 量化版已在 Hugging Face 开放，采用 Apache 2.0 许可，可供开发者本地部署。36氪知乎小红书
差距拉开在生产端：Mellum2.1 落地走 vLLM 或 SGLang，单张 H200 高负载下的输出吞吐接近 Qwen3.5-9B 两倍，多 token 预测让单次请求再快约 1.6 倍。一个每次只花"2.5B 力气"，换的是吞吐和延迟；另一个用参数量换通用能力上限。小红书
怎么选：不是二选一
JetBrains 对 Mellum 的定位从来不是做"最强模型"：官方在 6 月的开源博文里讲得很直白——未来属于协同系统而非单一模型，实用的 AI 产品同样需要能高效处理高频任务的焦点模型，用于路由、问答、子智能体和私有 AI。Mellum2.1 正是这套理念的落地件。Qwen3.5-9B 扮演的是另一个角色：它在 GPQADiamond、MMMU-Pro、ERQA、Video-MME 等多项评测中拔得头筹，媒体把它的性能对标 gpt-oss-120B。知乎36氪
所以"怎么选"实际是三种情形：让 AI 助手在主项目里自主修 bug、读长文档，优先 Qwen3.5-9B，智能体修 bug 和上下文窗口它都占优；搭高频 agent 流水线——补全路由、工具调用、CI 检查，要求单卡并行和代码不出内网，Mellum2.1 的吞吐优势会直接变成成本优势；求稳的做法是组合：关键步骤交给 Qwen，高频步骤交给 Mellum，两个都是 Apache 2.0，混用没有许可成本。在这些分数拿到第三方复现之前，把两个开源模型接进自己的仓库和 harness 各跑一遍，比信任何一家跑分都可靠。
