JetBrains Mellum2.1: gleiches offenes 12B-Modell, neu für Agenten trainiert
Victoria Shinder2 Min. LesezeitJetBrains hat am 8. Oktober Mellum2.1 veröffentlicht, die nächste Version des im Juni geöffneten Modells. Die Architektur ist unverändert — ein 12B-Mixture-of-Experts-Modell mit 2,5B aktiven Parametern unter Apache 2.0 —; laut JetBrains hat sich alles nach dem Pre-Training geändert.
Was neu ist. Mellum2 war schnell, konnte aber nach JetBrains' Worten nicht auf dem gewünschten Niveau in einem Repository arbeiten. Für 2.1 wurde Reinforcement Learning vom kurzen Schlussschritt zum Hauptteil des Trainings:
- neue RL-Aufgaben in Mathematik, Wettbewerbsprogrammierung, Naturwissenschaft, Werkzeugnutzung und Softwaretechnik, aus offenen Datensätzen und eigenen Aufgaben — jede Quelle gefiltert, weil offene RL-Daten oft kaputte Tests, nicht prüfbare Antworten oder triviale bzw. unlösbare Aufgaben enthalten;
- eigene Infrastruktur mit Tausenden Umgebungen und Millionen Sandboxes im Training, damit das Modell eine Codebasis erkundet, Dateien ändert und seine Änderungen selbst prüft.
Der Vergleich. JetBrains hat es mit Mellum2 und zwei offenen Modellen ähnlicher Klasse verglichen, Qwen3.5-9B und Gemma 4 E4B, mit demselben Aufbau für alle. Den größten Zuwachs meldet es beim agentischen Programmieren, kleinere bei Programmierung, Wettbewerbsaufgaben, Mathematik, Tool-Aufrufen und Allgemeinwissen. Zur Geschwindigkeit: Da die Architektur gleich blieb, ist 2.1 so schnell wie Mellum2; unter hoher Last sei es das schnellste der Gruppe und liefere fast doppelt so viele Tokens wie Qwen3.5-9B, und Multi-Token-Prediction mache eine Einzelanfrage etwa 1,6-mal schneller. Das sind Messungen des Herstellers.
Wofür es gedacht ist. Als Arbeiter in einem Agenten — Ursache eines fehlschlagenden Tests finden, Korrektur entwerfen und prüfen — und für den Betrieb auf eigener Hardware, damit Code im Haus bleibt. Die Gewichte liegen bei Hugging Face; GGUF-Builds für llama.cpp, Ollama und LM Studio sowie der MTP-Kopf für spekulatives Decoding in vLLM sind angekündigt. Wer schon ein lokales Modell für Sub-Agenten betreibt, kann es tauschen und am eigenen Repository messen — der einzige Test, der die Frage entscheidet.
Quelle: JetBrains AI Blog, „Mellum2.1 Gets to Work: A Fast Open Model for Coding Agents“, 8. Oktober 2026 — https://blog.jetbrains.com/ai/2026/10/mellum2-1-gets-to-work-a-fast-open-model-for-coding-agents/