Mellum2免費？｜JetBrains開源了

JetBrains 開源了！ 就在上週，JetBrains 在 HuggingFace 上架了他們最新的程式碼模型 Mellum2-12B-A2.5B-Thinking，短短 7 天就衝上 249 個讚、近 17,000 次下載。這不是普通的模型，它是 專門為開發者打造的對話式程式碼助手，更狂的是——完全開源、可商用。

對比那些動輒數百億參數、跑不動的巨無霸，Mellum2 只有 12B 參數（激活僅 2.5B），採用 MoE（混合專家）架構，讓你能在一般消費級 GPU 上跑。這意味著：你不用再依賴雲端 API，本地就能擁有 JetBrains 等級的 AI 程式碼助手。

這篇文章會帶你實測 Mellum2 的程式碼生成、推理、除錯能力，並對比 DeepSeek-Coder-V2、Qwen2.5-Coder 和 GPT-4o，幫你判斷：這款模型真的值得下載嗎？還是只是 JetBrains 的公關操作？

Mellum2 是什麼？｜為什麼值得關注

Mellum2 是 JetBrains 基於 Qwen2.5 架構 進行的微調版本，採用 MoE（Mixture of Experts）設計：12B 總參數中，每次推理只激活 2.5B 參數。這代表它在保持性能的同時，記憶體和計算需求大幅降低。

核心亮點：

  • 開源且可商用：Apache 2.0 授權，企業也能放心用
  • 專注程式碼對話：不是通用模型，而是針對開發者需求設計
  • 支援長上下文：32K token 上下文長度，能處理大型專案
  • Thinking 模式：名稱中的「Thinking」代表它會展示推理過程
  • GGUF 格式支援：可搭配 Ollama、llama.cpp 在本地跑

為什麼它值得關注？ 目前開源程式碼模型市場，DeepSeek-Coder-V2 和 Qwen2.5-Coder 幾乎壟斷了話題。但 JetBrains 的加入，代表 IDE 巨頭親自下場做 AI 模型，這對開發者生態的影響可能比想像中大。

實測 Mellum2｜程式碼生成、推理、除錯

為了測試 Mellum2 的真實實力，我準備了 三個場景：程式碼生成、邏輯推理、除錯建議。硬體環境是 NVIDIA RTX 4090 24GB，使用 Ollama 載入 GGUF 量化版本。

場景一：程式碼生成

提示詞： 「用 Python 寫一個函數，輸入一個整數列表，回傳所有子陣列的最大和（Kadane’s Algorithm）」

Mellum2 輸出：

def max_subarray_sum(nums):
    if not nums:
        return 0
    max_current = max_global = nums[0]
    for i in range(1, len(nums)):
        max_current = max(nums[i], max_current + nums[i])
        if max_current > max_global:
            max_global = max_current
    return max_global
  • 程式碼品質：✅ 正確實現 Kadane’s Algorithm，變數命名清晰，有邊界條件檢查
  • 解釋：附帶了演算法時間複雜度 O(n) 和空間複雜度 O(1) 的說明
  • 對比 DeepSeek-Coder-V2：兩者輸出幾乎一致，但 Mellum2 的註解更詳細

場景二：邏輯推理

提示詞： 「有一個 4 公升和 3 公升的水壺，如何量出剛好 2 公升的水？」

Mellum2 輸出：

  1. 裝滿 4 公升水壺（4, 0）
  2. 將 4 公升倒入 3 公升（1, 3）
  3. 倒空 3 公升（1, 0）
  4. 將 4 公升中的 1 公升倒入 3 公升（0, 1）
  5. 裝滿 4 公升（4, 1）
  6. 將 4 公升倒入 3 公升（2, 3）→ 4 公升壺中剩下 2 公升

正確！ 推理步驟清晰，而且用了 Thinking 模式展示中間過程。這對 Debug 時理解模型邏輯很有幫助。

場景三：除錯建議

提示詞： 「這段程式碼有什麼問題？ def add(a, b): return a + b 然後呼叫 add(1, '2')」

Mellum2 輸出：

  • 問題：類型不匹配，int 和 str 不能直接相加
  • 建議：加入類型檢查或使用 isinstance() 處理不同類型
  • 提供改寫範例

實用性：✅ 能正確識別類型錯誤，並給出具體解決方案，對新手友善。

與競品對比｜Mellum2 vs DeepSeek-Coder vs GPT-4o

項目Mellum2-12B-A2.5BDeepSeek-Coder-V2GPT-4o
參數規模12B（激活 2.5B）236B（激活 21B）未公開
開源授權Apache 2.0 ✅Apache 2.0 ✅❌ 閉源
本地可跑✅ 消費級 GPU⚠️ 需高階 GPU❌ 僅雲端
程式碼生成⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
推理能力⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
中文支援⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
速度（推理）快（低激活參數）中快（雲端）

結論：

  • Mellum2 的優勢：本地可跑、速度快、專注程式碼
  • 劣勢：中文能力較弱、大型專案理解不如 DeepSeek-Coder
  • 適合場景：日常開發輔助、小型專案、注重隱私的開發者

如何安裝 Mellum2｜Ollama 與 GGUF 教學

方法一：使用 Ollama（最簡單）

# 安裝 Ollama（如果尚未安裝）
curl -fsSL https://ollama.com/install.sh | sh

# 下載 Mellum2 的 GGUF 版本
ollama pull hf.co/unsloth/Mellum2-12B-A2.5B-Thinking-GGUF:Q4_K_M

# 啟動對話
ollama run hf.co/unsloth/Mellum2-12B-A2.5B-Thinking-GGUF:Q4_K_M

方法二：使用 llama.cpp（進階用戶）

# 下載 GGUF 檔案
wget https://huggingface.co/unsloth/Mellum2-12B-A2.5B-Thinking-GGUF/resolve/main/Mellum2-12B-A2.5B-Thinking-Q4_K_M.gguf

# 使用 llama.cpp 執行
./main -m Mellum2-12B-A2.5B-Thinking-Q4_K_M.gguf -p "寫一個 Python 快速排序" -n 512

硬體需求：

  • Q4_K_M 量化版：約 8GB VRAM（RTX 3070 以上即可）
  • Q8_0 量化版：約 14GB VRAM（RTX 4090 或以上）
  • FP16 原始版：約 24GB VRAM（需要專業 GPU）

定價與授權｜完全免費

Mellum2 採用 Apache 2.0 授權，這代表：

  • ✅ 商用免費：企業可以整合到產品中
  • ✅ 修改與再發布：可以微調後重新發布
  • ✅ 無需付費：不像 GPT-4o 需要訂閱
  • ⚠️ 無技術支援：社群驅動，無官方支援

對比其他模型：

  • GPT-4o：每月 20 美元（ChatGPT Plus）或 API 按量計費
  • DeepSeek-Coder-V2：API 免費（有限制），本地部署需高階硬體
  • Qwen2.5-Coder：開源免費，但中文優化較好

一句話：如果你有 GPU，Mellum2 是零成本的程式碼助手。

延伸閱讀

誰該用 Mellum2？｜優缺點總結

適合的使用者

  1. 本地開發者：不想把程式碼上傳到雲端，注重隱私
  2. 預算有限：不想付 ChatGPT Plus 或 API 費用
  3. 硬體普通：只有消費級 GPU（RTX 3070/4070）
  4. JetBrains 生態用戶：未來可能整合到 IntelliJ IDEA

不適合的使用者

  1. 需要中文支援：Mellum2 的中文能力明顯弱於 Qwen2.5
  2. 大型專案分析：32K 上下文對大型程式碼庫稍嫌不足
  3. 追求頂尖生成：對比 GPT-4o 仍有差距

最終評價

項目評分（滿分 5）
程式碼生成品質⭐⭐⭐⭐
推理與除錯⭐⭐⭐⭐
本地部署難度⭐⭐⭐⭐⭐
中文支援⭐⭐⭐
開源生態⭐⭐⭐⭐⭐
整體推薦⭐⭐⭐⭐

Mellum2 不是要取代 GPT-4o，而是提供一個「夠用且免費」的本地替代方案。 對於日常的程式碼生成、除錯、解釋，它表現得相當出色。特別是在隱私敏感的專案中，Mellum2 的價值無可比擬。

一句話總結：如果你有 GPU，Mellum2 值得一試；如果你沒有，用 Ollama 跑也只要幾分鐘。開源模型的下載按鈕就在那裡，點下去就對了。