最该关心这条新闻的，是这么一批人：手头有一两张4090，Cursor、Claude Code的订阅账单最近越看越不顺眼，早就想找个能在自己机器上跑的编码模型。10月8日（当地时间），JetBrains把Mellum 2.1的权重放上了Hugging Face，Apache 2.0许可，架构延续上代：12B混合专家、每token只激活2.5B、上下文131072。今天中文技术圈的标题齐刷刷写着"同速级智能体基准登顶"“高负载吞吐接近Qwen3.5-9B两倍”。前沿在线知乎IT之家
先给结论：这个"登顶"是真的，但它赢的是四个月前自己的上一代；把它放到同档对手旁边，17项里它只赢5项。JetBrains这次换的不是"最强"，是"每token只花2.5B力气、还能装进你机器"。要不要今天下载，取决于你的活儿是不是它赢的那5项。
这次到底改了什么：参数量没动，训练方式换了
架构和Mellum 2完全一样：12B总参数的混合专家（MoE），每个token只激活2.5B，上下文131072（128K），Apache 2.0开源。真正的变化在预训练之后——据官方博客的整理，这一版几乎全部工作量都花在强化学习后训练上：把模型直接扔进真实代码仓库，带上shell和改文件工具，找失败测试的根因、动手改、再跑一遍，测试通过才给奖励。训练期间开了数百万个沙箱、覆盖数千个环境，数学、竞赛编程、工具调用、软件工程都补了新任务，连开源训练数据都先过滤掉坏测试和不可验证的答案。前沿在线
翻译成人话：上一代Mellum 2的本职是补全、路由、编排这类快活（JetBrains自家AI Assistant的基础补全档位用的就是它），智能体任务是后补的课；这一代把"在真仓库里干活"当成主课来训，官方给的新定位也很直白：面向能探索仓库、修改文件并检查结果的编码Agent，也能用于本地快速子Agent。知乎
第一张牌：对照组不同，故事完全不同
把跑分表拆开看，这是今天刷屏标题里最容易被混过去的部分：
跟上代自己比——赢15项。 SWE-bench Verified从2.0分拉到47.0分，SWE-bench Pro从0.0到28.0，Terminal-Bench 2.1从0.6到17.4；同一套评测pipeline下，17项里它赢上代15项。方向性进步没毛病——毕竟上代本来就不擅长agent活。前沿在线
跟同档对手比——只赢5项。 同场对照的Qwen3.5-9B在三个最像"在真仓库里修bug"的基准上全赢：SWE-bench Verified 50.0对47.0，SWE-bench Pro 38.0对28.0，Terminal-Bench 21.7对17.4。Mellum 2.1拿下的是另外五个：LiveCodeBench v6（82.0对75.4）、HumanEval+，外加两项工具调用。前沿在线
所以"我想找个本地模型替我修仓库里的bug"——这张表不支持这个预期；它真正赢的，是"写得快、写得准、调工具稳"。
第二张牌：这些数字全是自测，换pipeline能差10分
17项全部是JetBrains自家pipeline测出来的，截至发稿没有第三方复现。而且pipeline本身就很敏感：同一个Qwen3.5-9B，官方模型卡上LiveCodeBench v6写的是65.6、GPQA Diamond 81.7；JetBrains用自家流程测同一个模型，得到75.4和77.8。同一个模型，换个测法差出10分——这就是为什么"跨榜单比大小"几乎必然比出假结论。前沿在线
证据能撑到的结论只有这么强：在JetBrains自己的评测设置里，Mellum 2.1相对上代的进步是扎实的，生成类和工具调用类任务在同档里站得住。至于"开源小模型编程新王"，等第三方复现再说。
第三张牌：下载名和"8.1GB"这两个坑
准备今天就动手拉权重的，先把这两件事看清：
模型名陷阱。 Hugging Face上不带".1"的mellum2是6月老版（SWE-bench Verified只有2.0分），mellum-4b是2025年的补全模型——搜"Mellum"顺手下载，十个里有八个会拉错。
量化版还没"官宣完成"。 官方口径里GGUF格式和vLLM的MTP（多token预测）头都还是"即将推出"。目前已有第三方GGUF仓库列出5个量化版本，最小7.0GB、推荐档Q4_K_M约8.1GB——“8GB显存也能跑"的门槛确实摸到了，但你下的是还没走完官方验证路径的版本；官方主打的"单次请求快约1.6倍”（MTP）和"单张H200高负载吞吐接近Qwen3.5-9B两倍"，现阶段也只在vLLM/SGLang全量部署那条路径上才成立。前沿在线
这模型到底适合谁：三个场景对号入座
场景A：给它安排"子任务"，今天就可以试。 IDE快速补全、代码路由、批量总结、工具调用型子agent——这类活要的是低延迟、高吞吐、数据不出本机，正好是它赢的那5项和"2.5B激活"的卖点。JetBrains自己就是先在AI Assistant的基础补全档用Mellum、复杂任务再交给大模型的混合架构——7月就有人拆开过这套设计：基础补全用自研Mellum主打低延迟，复杂多步任务才换顶级模型。本地折腾党把同样的分工搬到自己的Agent流水线里，是现在最合理的用法。知乎
场景B：冲着"本地替代订阅"来的，再等等。 如果你这半年的痛点是工具改名又改价、token账单看不懂，想彻底换本地：等官方GGUF和MTP支持放出来再动，一张4090跑Q4_K_M的量是够的，现在下载要自己承担第三方量化版本的坑。
场景C：想让它当修bug主agent的，直接放弃预期。 三项最接近"真仓库修bug"的基准，它在自测对照组里都输给了Qwen3.5-9B——这个差距不是换个测法能翻盘的。
接下来盯这四个信号
① 第三方复现17项结果（尤其是SWE-bench系）；② 官方GGUF和vLLM MTP头正式发布；③ JetBrains AI Assistant里Mellum承担的职责范围会不会从补全继续往agent侧扩；④ 下一批同档开源小模型会不会跟进"真环境RL后训练"这条路线——到时候比的可能就不是谁登顶，而是谁的成本线先被击穿。
一句话收口：JetBrains这次没把模型做大，是把训练方法换了；"登顶"的标题没骗人，它登的是"自己上代"的山顶。先分清你的活儿是补全、路由、子agent，还是主agent，再决定要不要下那8.1GB。
