Mellum2.1 Inafanya kazi

Mellum2.1 ni modeli huria ya AI ya upangaji programu iliyotengenezwa na JetBrains, yenye usanifu wa wataalamu mseto wa 12B. Katika Mellum2.1, ujifunzaji wa kuimarisha umebadilika kutoka hatua ya mwisho ya mafunzo na kuwa msingi wa mafunzo, ukichanganywa na mamilioni ya uendeshaji wa sandbox, hivyo modeli inaweza kuchunguza hazina za msimbo, kuhariri faili na kujikagua yenyewe, na kuboresha kwa kiasi kikubwa uwezo wa upangaji programu wa mawakala. Uwezo wa Mellum2.1 wa kuchakata mzigo mkubwa unakaribia mara mbili ya Qwen3.5-9B, inasaidia uwekaji wa kibinafsi, na tayari imechapishwa kwenye Hugging Face.

Upangaji programu wa mawakala: Kuchunguza hazina za msimbo, kuhariri faili na kujikagua yenyewe; inaweza kutambua chanzo cha majaribio yaliyoshindwa, kuandaa na kuthibitisha suluhisho.
Kukamilisha na kuzalisha msimbo: Inaendeleza mwelekeo wa Mellum2, ikitoa uwezo wa haraka wa kuzalisha msimbo na kujibu maswali kwa mtiririko wa kazi wa upangaji programu.
Kuitisha zana: Inaweza kuratibu zana za nje ili kukamilisha kazi, na inafaa kwa kujenga mifumo ya mawakala wa AI.
Uwezo wa jumla wa kufikiri: Inaweza kushughulikia maswali ya kila siku na kutoa hitimisho hatua kwa hatua katika matatizo ya hisabati na mantiki.
Uwekaji wa kibinafsi: Inasaidia kuendeshwa ndani au kwenye miundombinu inayomilikiwa na mtumiaji, huku msimbo na data zikibaki kikamilifu ndani ya biashara.

Fuata WeChat na ujibu “开源” ili kujiunga na kundi la mawasiliano la miradi huria ya AI
Usanifu wa wataalamu mseto (MoE): Mellum2.1 hutumia usanifu wa wataalamu mseto wenye vigezo 12B, ambapo ni vigezo 2.5B pekee vinavyoamilishwa katika kila makisio. Modeli inaundwa na mitandao midogo mingi ya “wataalamu”; ingizo husambazwa kwa wataalamu fulani tu kupitia utaratibu wa uelekezaji, hivyo kupunguza kwa kiasi kikubwa kiasi cha hesabu huku ikidumisha uwezo wa modeli na kuwezesha makisio yenye gharama ndogo na upitishaji mkubwa.
Ujifunzaji wa kuimarisha kwa kiwango kikubwa (RL): Maboresho makuu ya toleo hili yako katika mchakato wa mafunzo: RL imepanuliwa kutoka hatua fupi ya mwisho baada ya mafunzo ya awali na kuwa msingi wa mafunzo. Timu iliongeza kazi za hisabati, upangaji programu wa mashindano, sayansi, matumizi ya zana na uhandisi wa programu. Miundombinu iliyojengwa na timu ilianzisha mamilioni ya sandbox wakati wa mafunzo, ikifunika maelfu ya mazingira halisi, na kuifanya modeli ijifunze kupitia mwingiliano na matukio halisi ya upangaji programu, kwa kutumia majaribio na makosa pamoja na ishara za zawadi ili kupata uwezo wa uchunguzi, uhariri na uthibitishaji unaohitajika na mawakala.
Uchujaji mkali wa data: Seti zote za data huria zinazotumiwa katika mafunzo huchujwa kabla ya kuingizwa, na kazi zenye dosari za majaribio, majibu yasiyoweza kuthibitishwa au ugumu usiofaa huondolewa. Hii huhakikisha kuwa ishara za mafunzo ya RL ni za kuaminika na kuzuia modeli kujifunza kutokana na mrejesho usio sahihi.
Utabiri wa Token nyingi (MTP): MTP huwezesha modeli kutabiri Token kadhaa zinazofuata katika upitishaji mmoja wa mbele. Katika hali ya ombi moja, kasi huongezeka takribani mara 1.6. Ikiunganishwa na usanifu wa MoE wenye vigezo vichache vilivyoamilishwa, Mellum2.1 hupata upitishaji wa mzigo mkubwa unaokaribia mara mbili ya Qwen3.5-9B.

Tembelea ukurasa wa modeli: Fungua ukurasa rasmi wa shirika la JetBrains kwenye Hugging Face na utafute hazina ya modeli ya Mellum2.1.
Pakua uzito wa modeli: Bofya kitufe cha kupakua kwenye ukurasa wa kadi ya modeli au pakua faili za modeli kwa kufuata masharti ya leseni (ikiwa kuna kizuizi, kubali kwanza makubaliano ya matumizi).
Chagua mfumo wa uwekaji: Tumia Transformers au vLLM kwa uwekaji; wa kwanza unafaa kwa uthibitishaji rahisi, na wa pili unafaa kwa huduma za uzalishaji zenye maombi mengi kwa wakati mmoja.
Sanidi mazingira ya makisio: Andaa mazingira ya GPU (vipimo rasmi vilitumia H200 moja), pakia modeli na uweke muktadha wa 131K.
Washa chaguo za kuongeza kasi: Fuata mwongozo rasmi kusanidi utabiri wa Token nyingi (MTP) ili kuongeza kasi ya ombi moja kwa takribani mara 1.6.
Tuma ombi la makisio: Tumia API kutuma vidokezo vya kuzalisha msimbo, kuhariri kiwango cha hazina au kutekeleza kazi za mawakala, kisha upokee matokeo ya modeli.

Uwezo bora wa upangaji programu wa mawakala: Baada ya mafunzo makubwa ya RL katika mazingira halisi, inaweza kuchunguza hazina za msimbo, kuhariri faili na kuthibitisha mabadiliko kwa kujitegemea, kutambua chanzo cha majaribio yaliyoshindwa na kuandaa suluhisho.
Kasi bora ya makisio: Katika mzigo mkubwa, upitishaji unakaribia mara mbili ya Qwen3.5-9B, na kuifanya kuwa miongoni mwa modeli za kasi zaidi za kiwango chake.
Mwitikio wa haraka kwa ombi moja: Teknolojia ya utabiri wa Token nyingi (MTP) huongeza kasi ya ombi moja kwa takribani mara 1.6.
Usanifu wenye ufanisi: Muundo wa 12B MoE huamilisha vigezo 2.5B pekee, na kufikia utendaji wa juu kwa gharama ndogo ya hesabu.
Ubora wa juu wa data ya mafunzo: Data yote ya mafunzo huchujwa kwa ukali, na kazi zenye dosari huondolewa ili kuhakikisha ishara za kujifunza ni za kuaminika.
Uwezo mpana: Imeboreshwa kwa ujumla katika upangaji programu, upangaji programu wa mashindano, hisabati, kuitisha zana na maarifa ya jumla.
Inafaa kwa uwekaji wa kibinafsi: Inasaidia kuendeshwa ndani au kwenye miundombinu inayomilikiwa na mtumiaji, huku msimbo na data zikiwa chini ya udhibiti kamili wa shirika, na hivyo kufaa kwa mazingira nyeti ya biashara.

Tovuti ya mradi: https://blog.jetbrains.com/ai/2026/10/mellum2-1-gets-to-work-a-fast-open-model-for-coding-agents/
Hazina ya modeli ya HuggingFace: https://huggingface.co/JetBrains/Mellum2.1-12B-A2.5B-Thinking

Upangaji programu wa mawakala: Kuchunguza hazina za msimbo, kuhariri faili na kuthibitisha mabadiliko kwa kujitegemea, kukamilisha mchakato mzima kutoka kutambua majaribio yaliyoshindwa hadi kuyarekebisha.
Msaidizi wa biashara wa kibinafsi: Kuwekwa kwenye seva za biashara ili kuhakikisha msimbo na data havitoki kwenye mtandao wa ndani.
Uunganishaji wa kina na IDE: Kuingizwa kwenye IDE za JetBrains au zana za wahusika wengine ili kutoa ukamilishaji wa msimbo na majibu mahiri.
Uratibu wa mawakala wadogo: Kutumia sifa za ucheleweshaji mdogo na upitishaji mkubwa kutekeleza kazi ndogo au kuelekeza maombi katika mifumo ya mawakala wengi.
Uwezo wa kufikiri wa hisabati na mantiki: Kushughulikia maswali ya hisabati, mashindano ya algoriti na maswali ya kila siku, huku ikitoa uwezo wa msaidizi wa jumla.