JetBrains 在 10 月 8 日发布博文，宣布上线编程 AI 模型 Mellum2.1，重点增强智能体编程能力，延续 12B 混合专家架构与 Apache 2.0 许可。 至于标题里那个问号，先钉死翻倍的是什么：官方口径接近两倍的，是高负载下的推理吞吐，而不是代码生成质量——全量权重经 vLLM 或 SGLang 部署、单张 H200 上的重载吞吐接近 Qwen3.5-9B 的两倍，多 token 预测另让单次请求快约 1.6 倍。IT之家前沿在线
"接入 IDE 实测"这一环，目前的传播还停在发布转述和自测数据转述层面：截至 10 月 10 日，检索不到第三方接入 IDE 的实测内容，JetBrains 也没有公布 2.1 是否替换 IDE 内的服务。开发者真正关心的其实是三件事：这个"翻倍"具体指哪个指标、质量涨幅到底多少、它什么时候进编辑器。
最有分量的变化不是速度，是它能进仓库改文件
上一代 Mellum2 在 SWE-bench Verified——衡量"在真实 GitHub 仓库里修 bug"的基准——自评只有 2.0 分，这次跳到 47.0，SWE-bench Pro 从 0.0 到 28.0，Terminal-Bench 2.1 从 0.6 到 17.4，同套流程对比 17 项里 15 项赢了自家上一代。前沿在线
涨分的路线比分数本身值得注意：架构和参数一个没动，升级的工作量几乎全部花在预训练之后，强化学习从收尾的一小段变成训练主体。 训练做法是把模型扔进真实环境：带着 shell 和改文件工具进真实仓库，找失败测试的根因、动手改、再跑一遍，测试通过才给奖励，期间启动数百万个沙箱、覆盖数千个环境。小红书CSDN
换个对照组，故事就变了：三大修 bug 基准全输给 Qwen3.5-9B
但上面这套跃升是跟自己比，换成跨品牌对照组，画面完全不同：与 Qwen3.5-9B 同场评测，Mellum2.1 在三个最像"真实仓库修 bug"的基准上全部落后（47.0 对 50.0、28.0 对 38.0、17.4 对 21.7），17 项里只赢 5 项，拿到的是 LiveCodeBench v6（82.0 对 75.4）、HumanEval+ 和两项工具调用。
也就是说，它换来的不是"最强"，而是每 token 只激活 2.5B 参数的推理成本，和"能装进自己机器"的体量。
这张胜负表对评测流程还相当敏感：同一个 Qwen3.5-9B，官方模型卡报 LiveCodeBench v6 65.6、GPQA Diamond 81.7，JetBrains 用自家流程测同一个模型得到的是 75.4 和 77.8——这 17 项全是厂商自测，尚无第三方复现，评测一换流程结论就可能变化，现阶段跨榜单比数字并不可靠。
"翻倍"的正确读法：高并发吞吐，不是单次请求速度
高负载吞吐说的是高并发下整体每秒能产出多少 token，跟你在编辑器里等一次补全返回快多少，是两个不相干的指标。
JetBrains 自家的定位口径里，Mellum 系列本来就是为软件工程系统的高频环节准备的：从零训练、专为实际部署设计，用来做路由、问答、子智能体和私有 AI，而不是和前沿大模型抢"最强大脑"的位置。JetBrains
能吃到吞吐红利的，是智能体编排、CI 流水线、企业内网私有化这类高频调用场景，而 Apache 2.0 可商用许可是这类玩法的前提。
本地跑的门槛确实降了：GGUF 仓库已列出 5 个量化版本，最小约 7.0GB、推荐的 Q4_K_M 为 8.1GB。 但要留意，官方口径里 GGUF 与 vLLM 的 MTP 头仍是"即将推出"——兑现之前，单次 1.6 倍提速还只是实验室数据，本地体验也还停在初版量化这一步。
"接入 IDE"的现状：模型还在编辑器外面，实测文章也还没出现
用户侧的体验参照还是上一代的：一位 IDEA 用户在 7 月的实测帖（个人体验向）记录，AI Assistant 已切成混合架构——基础补全用自研 Mellum 主打低延迟，复杂多步任务和 Agent 模式才调用 Claude 4.5 或 GPT-5。码农老王
而 2.1 的发布形态与前代相同：Thinking 版权重挂在 Hugging Face，官方口径是面向编码智能体的开源编程模型，等开发者自行部署。 标题里"接入 IDE 实测"的那一步，目前还没真正发生，想尝鲜的开发者可以走 vLLM 或 SGLang 自建，但要避开命名坑：Hugging Face 上不带".1"的 mellum2 是 6 月的旧版，mellum-4b 是 2025 年的补全模型，拉错仓库名实测出来会完全是另一回事。哔哩哔哩
所以这个"翻倍"别按"效率翻倍"消费：接近两倍的是单张 H200 上的高并发吞吐，且出自厂商自测；最有分量的变化是智能体编程分从 2.0 跳到 47.0，让这个模型从"干不了真实仓库的活"进步到"能当低成本智能体位来试"，但质量上它依然输掉了三大修 bug 基准。对没有自建推理资源的开发者，值得盯的是三件事：MTP 头和官方量化何时完整交付、第三方复现何时出现、2.1 何时进入 IDE 官方服务。这三件坐实任何一件之前，"翻倍"只是发布页上的数字，还不是你编辑器里可感知的提升。
