/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,9 млрд
Размер весов
24,3 ГБ
Лицензия
Apache 2.0
Архитектура
mellum · MoE
Базовая модель
Mellum2-12B-A2.5B-Base
Библиотека
transformers
Опубликована
20 сен 2026

Mellum2.1-12B-A2.5B-Thinking

Генерация текстаТекст → текст

Дообученная MoE-модель JetBrains для агентной работы с кодом, вызова инструментов и сложных задач рассуждения с контекстом до 131 072 токенов.

1 068скачиваний за 30 дней113лайковвеса обновлены7 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Mellum2.1 Thinking — языковая модель JetBrains для сложных задач рассуждения и агентной работы. Это дообученная версия Mellum2-12B-A2.5B-Base: архитектура MoE содержит 12 млрд параметров, из которых активно используются 2,5 млрд; модель включает 28 слоёв и 64 эксперта, из которых активируются 8. Контекст — до 131 072 токенов, формат весов — bfloat16.

Модель предназначена для работы с кодом и репозиториями, математических и научных задач, соревновательного программирования и вызова инструментов. При обучении с подкреплением её тренировали на задачах software engineering в реальных репозиториях с командной строкой и инструментами редактирования файлов. Поддерживает диалоговый режим; для запуска с вызовом инструментов README описывает настройку через vLLM.

JetBrains приводит собственные результаты оценки, включая показатели на задачах программирования; они получены в описанном разработчиком режиме и не гарантируют аналогичного качества в других сценариях. Модель распространяется по лицензии Apache 2.0. README сообщает, что GGUF-сборки и MTP-голова для спекулятивного декодирования планируются, поэтому указанные варианты не следует считать уже доступными.

Сценарии применения

  • исследование репозитория и поиск нужных файлов
  • редактирование кода и проверка изменений в проекте
  • решение задач по программированию и математике
  • вызов инструментов в агентном сценарии
  • ответы на сложные вопросы по науке и рассуждению

Ограничения

Показатели в README являются самооценкой JetBrains и получены в конкретной конфигурации тестирования; качество в других сценариях не гарантируется. GGUF-сборки и MTP-голова указаны как будущие варианты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mellum2.1 Thinking

[!Note] Mellum2.1 is a thinking model. Use it for complex agentic tasks, such as working in a repository, running commands, and calling tools, and for hard non-agentic problems in coding, math, and reasoning.

Mellum2.1 Highlights

Mellum2.1 is the next version of Mellum2 Thinking. The architecture is unchanged (a 12B mixture-of-experts model with 2.5B active parameters), and almost all of the work for this version went into post-training, primarily reinforcement learning (RL):

  • Reinforcement learning at a new scale: RL went from a short final stage to the main part of training, after many experiments on both the methods and the data.
  • More data, filtered harder: new RL tasks in math, competitive programming, science, tool use, and software engineering, combining open RL datasets with tasks we built ourselves and filtering every source before training.
  • Real environments for agentic skills: for software engineering, the model trains inside real repositories with a shell and file-editing tools and is rewarded when the tests pass.

As a result, Mellum2.1 handles agentic tasks much better than Mellum2. After millions of sandboxed runs in real environments during training, it explores a codebase, edits files, and checks its own changes.

Model Overview

Mellum2.1 Thinking has the following features:

  • Number of Parameters: 12B total, 2.5B active
  • Number of Layers: 28
  • Hidden Size: 2304
  • Intermediate Size: 7168
  • MoE Intermediate Size: 896
  • Number of Experts: 64
  • Number of Activated Experts: 8
  • Number of Attention Heads (GQA): 32 for Q and 4 for KV
  • Context Length: 131,072
  • Sliding Window: 1,024 (3 of every 4 layers)
  • Vocabulary Size: 98,304
  • Precision: bfloat16
  • License: Apache 2.0

Serving with vLLM

# Without tool calling
vllm serve JetBrains/Mellum2.1-12B-A2.5B-Thinking \
  --max-model-len 131072 \
  --reasoning-parser qwen3

# With tool calling
vllm serve JetBrains/Mellum2.1-12B-A2.5B-Thinking \
  --max-model-len 131072 \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice \
  --tool-call-parser hermes

GGUF builds for llama.cpp, Ollama, and LM Studio, as well as the multi-token prediction (MTP) head for speculative decoding in vLLM, are coming soon.

Quickstart

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {"role": "user", "content": "Find the bug in this function and explain the fix: def mean(xs): return sum(xs) / len(xs) - 1"},
]

chat_response = client.chat.completions.create(
    model="JetBrains/Mellum2.1-12B-A2.5B-Thinking",
    messages=messages,
    max_tokens=81920,
    temperature=0.6,
    top_p=0.95,
    extra_body={"top_k": 20},
)
print("Chat response:", chat_response)

Evaluation

All values are percentages; higher is better except HarmBench, where lower is better. All models were evaluated by JetBrains with the same pipeline in thinking mode. All values are self-reported by JetBrains.

BenchmarkMellum2.1 ThinkingMellum2 ThinkingGemma 4 (E4B)Qwen3.5 (9B)
Coding
LiveCodeBench v682.069.469.475.4
HumanEval+91.590.989.189.6
MBPP+79.475.470.969.8
Math
AIME 25/2683.360.145.086.7
GSM-Plus88.387.187.491.4
Agentic
SWE-bench Verified47.02.023.050.0
Terminal-Bench 2.117.40.63.421.7
SWE-bench Pro28.00.04.038.0
Tool Use
BFCL v462.349.652.558.5
WorkBench44.645.146.139.7
ToolHop49.146.739.952.0
Conversational
IFEval90.679.590.892.4
Knowledge
GPQA Diamond64.651.053.177.8
MMLU-Redux87.886.084.989.5
MixEval-Hard46.441.641.450.3
Safety
XSTest88.891.295.295.6
HarmBench (↓)8.521.538.16.6

Notes:

  • Non-agentic benchmarks use greedy decoding.
  • Agentic benchmarks use the same open-source agent harness (Pi v0.73.1, shell and file tools) for every model, with each model's default sampling (temperature 1.0 for Mellum2.1), a 114K-token context, and up to 16K tokens per turn.
  • AIME is the mean of AIME 2025 and AIME 2026 (30 questions each).
  • BFCL v4 is the macro-average of five subtasks: v1, v2, v3, web search, memory.
  • Mellum2 Thinking was re-evaluated with this pipeline, so its numbers differ slightly from the Mellum2 Technical Report.

License

Released under the Apache 2.0 license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MellumForCausalLM
Ревизия весов
92ddae9

0 моделей