JetBrains lanzó Mellum2 hoy, un modelo open-weights Mixture-of-Experts 12B con 2,5B parámetros activos por token, disponible bajo Apache 2.0 en HuggingFace en JetBrains/mellum-2. Arquitectura: 28 capas, tamaño oculto 2.304, Grouped-Query Attention (32 query heads, 4 KV heads), Sliding Window Attention en 3 de 4 capas con ventana de 1.024 tokens, contexto 131.072 tokens, precisión bfloat16, vocabulario 98.304. Activa 8 de 64 expertos por token, lo que produce el número 2,5B-activos desde el total 12B. JetBrains describe el conjunto de capacidades como generación y edición de código, debugging, razonamiento multi-paso, uso de herramientas y function calling, coding agéntico, y asistencia de programación conversacional, lo cual es un alcance más amplio que Mellum1 (el predecesor 4B denso focalizado en completación).
El framing importa más que cualquier número de benchmark individual. JetBrains posiciona explícitamente Mellum2 como un "focal model," un componente rápido y especializado dentro de sistemas IA más grandes en vez de un reemplazo frontier standalone. Casos de uso que nombran: routing/orquestación, sumarización RAG, sub-agentes en workflows complejos, pasos repetitivos o latency-sensitive que no deberían ser ruteados a través de un solo modelo frontier grande. El compute per-token es equivalente a un modelo denso 2,5B, lo cual es el ángulo de throughput que el MoE te compra. Números de benchmark reportados: LiveCodeBench v6 37,2; EvalPlus 78,4 (HumanEval+ más MBPP+); MultiPL-E 67,1; BFCL v3 66,3 (tool use). La cohorte de comparación en las tablas JetBrains es Qwen3.5 4B y 9B, Ministral 3 14B, y OLMo-3 7B, no las líneas Codestral o DeepSeek-Coder o Qwen3-Coder, lo cual significa que el head-to-head contra los modelos code-specialist líderes no está en el material de lanzamiento y es el gap que tendrías que llenar en tu propia evaluación.
Dos hilos de ecosistema. Primero, el framing "focal model" es la cosa a tomar en serio. El patrón dominante del último año ha sido "rutear cada tarea de código a través del modelo frontier más grande disponible," lo cual es caro y lento para el 80 por ciento de tareas código que no son realmente difíciles. La alternativa focal-model dice: un specialist 2,5B-activo, contexto 128K que hit 78,4 EvalPlus y 66,3 BFCL maneja la capa repetitiva barato y rápido, y escalas al frontier solo para el 20 por ciento difícil. Mellum2 más un orquestador (LangGraph, tu propio router, o los Dynamic Workflows de Claude Code) es la shape que JetBrains sugiere. Segundo, Apache 2.0 más pesos abiertos más una casa HuggingFace significa que el despliegue comercial, self-hosting, y fine-tuning están todos in scope sin negociaciones de licencia adicionales. Para builders que ya pagan tarifas frontier-model por completación de código o refactoring simple, la pregunta es si Mellum2 cubre suficiente de tu distribución real de tareas código para justificar la complejidad de routing.
Lunes por la mañana, si pagas tarifas frontier-model por completación de código en plugins IDE o bots PR: despliega Mellum2 en un camino de prueba y mide el crossover costo-calidad en tu carga real. Si tu distribución skew simple (completación, generación de doc, refactors pequeños), la apuesta focal-model paga; si skew complejo (razonamiento full-codebase, debugging novel), te quedas en frontier y no te molestas. Si construyes tu propio orquestador multi-modelo, Mellum2 es un default sensible para el slot especializado rápido; el score de uso de herramientas (BFCL v3 66,3) sugiere que puede realmente manejar function calling, no solo completación de código. Y si evalúas modelos código open, corre Mellum2 contra tu benchmark real antes de leer el número 37,2 de LiveCodeBench-v6, porque scores code-specialist comparables de las líneas Qwen3-Coder y DeepSeek-Coder no están en el material de release JetBrains y los necesitas para tomar una decisión real.