Kenapa Model 12B Ini Bikin Agen Koding Open Source Terbang?

Bayangkan sebuah agen koding yang benar-benar bisa diajak kerja bareng: ia menelusuri sendiri sumber test yang gagal, menulis perbaikan, lalu mengecek hasilnya sebelum lapor ke kamu. Bukan sekadar autocomplete yang sok tahu, melainkan pekerja yang sanggup menjelajah repo tanpa disuapi langkah demi langkah.

Sampai sekarang, model yang sanggup melakukan hal semacam itu umumnya model tertutup yang terkunci di cloud milik vendor. Kalau kamu ingin bobot terbuka yang bisa di-hosting sendiri, pilihannya tipis dan kebanyakan kalah kelas dibanding model proprietary. Jurang inilah yang coba ditutup oleh sebuah rilis dari JetBrains.

Pada 8 Oktober 2026, JetBrains mengumumkan Mellum 2.1: model coding 12B berlisensi Apache 2.0 yang dilatih ulang secara khusus untuk menjadi pekerja di dalam sistem agen. Bobotnya terbuka, komunitas sudah membahasnya di mana-mana, dan angka-angkanya cukup membuat penasaran. Mari bedah satu per satu.

Apa Sebenarnya Mellum 2.1?

Mellum 2.1 adalah penerus Mellum 2, model mixture-of-experts dengan total 12B parameter yang hanya mengaktifkan sekitar 2,5B parameter per token. Arsitekturnya tidak berubah dari pendahulunya: semua kerja keras diarahkan ke post-training, bukan pembesaran model. Pendekatan ini masuk akal, karena untuk beban agen, kecepatan inferensi sering lebih penting daripada ukuran mentah.

Varian yang tercantum di Hugging Face membawa label "Thinking": ia menghembuskan chain-of-thought di dalam blok tag khusus sebelum menjawab, dengan jendela konteks 131.072 token. Bagi agen yang harus menalar beberapa langkah sebelum menyentuh file, dua fitur itu adalah bekal yang pas.

Dari Mana Model Ini Berasal?

Nama Mellum bukan barang baru. Model ini pertama kali muncul pada Oktober 2024 sebagai layanan completion tertutup di cloud JetBrains, lalu dibuka bobotnya pada April 2025 di bawah lisensi Apache 2.0. Sepanjang 2025 ia berkembang ke banyak bahasa lewat varian "Mellum-all", sempat terdaftar gratis di Amazon Bedrock, lalu dibangun ulang total menjadi Mellum 2 yang berbasis arsitektur MoE 12B.

Artinya, versi 2.1 ini adalah iterasi kesekian dari tim yang memang fokus pada satu hal: model coding yang praktis dipakai developer, bukan sekadar pemecah rekor benchmark. Rekam jejak dua tahun itu memberi konteks penting sebelum kita menilai klaim barunya.

Perubahan Latihan yang Paling Radikal

Perubahan terbesar ada di cara model ini dilatih. Dulu, reinforcement learning hanya tahap akhir yang singkat, sedangkan di Mellum 2.1 RL justru menjadi bagian utama pelatihan. Tugas-tugas barunya mencakup matematika, competitive programming, sains, penggunaan tool, dan software engineering secara langsung.

JetBrains bahkan membangun ribuan lingkungan RL buatan sendiri dan meluncurkan jutaan sandbox selama pelatihan berlangsung. Hasilnya diklaim jelas: model ini mampu menjelajah codebase, mengedit file, dan mengecek perubahannya sendiri. Itu bukan trik prompt engineering, melainkan perilaku yang dibentuk lewat latihan.

Satu detail yang menunjukkan keseriusan mereka: setiap sumber dataset terbuka difilter ulang sebelum dipakai. Test yang rusak, jawaban yang tidak bisa diverifikasi, dan tugas yang terlalu mudah atau mustahil disingkirkan lebih dulu. Kualitas data latihan ternyata masih jadi pembeda utama, bahkan di era RL.

Seberapa Cepat dan Seberapa Pintar?

Menurut pengumuman resmi JetBrains, peningkatan terbesar versi ini ada di agentic coding, dengan kenaikan di coding umum, competitive programming, matematika, tool calling, dan general knowledge. Evaluasinya memakai setup yang sama untuk semua model pembanding, bukan konfigurasi yang dipilih supaya menang.

Liputan pihak ketiga menambah bumbu: situs oossa.com melaporkan skor SWE-bench Verified yang melonjak dari 2,0 menjadi 47,0 setelah dorongan RL ini. Angka itu berasal dari media independen, jadi perlakukan sebagai sinyal kuat, bukan vonis akhir. Tapi lompatan sebesar itu jelas terlalu besar untuk diabaikan begitu saja.

Di sisi kecepatan, Mellum 2.1 diklaim sekencang pendahulunya, dan teknik multi-token prediction membuatnya makin gesit: satu request kira-kira 1,6 kali lebih cepat. Di bawah beban berat, ia bahkan menjadi yang tercepat di kelasnya dengan throughput hampir dua kali lipat dibanding Qwen3.5-9B. Untuk agen yang melakukan puluhan panggilan per tugas, kecepatan semacam ini adalah nyawa.

Buat Apa Saja Model Ini Bisa Dipakai?

JetBrains memosisikan Mellum 2.1 sebagai pekerja di dalam sistem agen: menemukan akar masalah dari test yang gagal, menyusun draf perbaikan, lalu memverifikasinya sendiri. Di luar coding, ia juga diposisikan sebagai asisten umum yang cukup mumpuni.

Namun daya tarik terbesarnya mungkin justru soal kontrol. Bobot terbuka berarti kode dan data tetap berada dalam kendalimu sendiri. Buat tim yang dilarang mengirim kode ke API pihak ketiga karena alasan keamanan, ini adalah jawaban yang selama ini ditunggu.

Modelnya sudah tersedia di Hugging Face saat pengumuman keluar. JetBrains juga menyebut varian GGUF untuk llama.cpp, Ollama, dan LM Studio, plus kepala MTP untuk speculative decoding di vLLM, akan menyusul. Kalau kamu penasaran bereksperimen dengan model open seperti ini, daftar proyekku ada di /projects dan mungkin ada yang relevan.

Yang Masih Perlu Dibuktikan

Liputan 64bit.co.uk mencatat satu hal yang menyegarkan dari rilis ini: benchmark-nya disandingkan dengan model sekelasnya seperti Qwen3.5-9B dan Gemma 4 E4B, bukan raksasa frontier yang dipilih supaya terlihat menang. Itu kejujuran yang patut diapresiasi, tapi artinya perbandingan melawan model-model besar memang belum ada.

Catatan dari everydev.ai juga patut dipegang: pengukuran throughput dilakukan di hardware server, dan keputusan self-hosting tetap membutuhkan angka kebutuhan memori model penuh plus hasil pengujian di tugas repomu sendiri. Tabel benchmark tidak pernah menggantikan uji coba di workload nyata.

Kesimpulannya, Mellum 2.1 adalah kandidat pekerja agen open-weight yang serius: arsitektur ramping, latihan RL yang agresif, lisensi Apache 2.0, dan klaim kecepatan yang konkret. Pembuktiannya ada di repomu, bukan di tabel benchmark. Unduh, jalankan di satu repo kecil, dan biarkan hasilnya yang bicara.