
今週のLLMまとめ #3|JetBrainsがコード修正用「Mellum2.1」、Liquid AIが分類・判定用「d1」を公開
2026年10月5日(月)〜11日(日)のローカル LLM 関連ニュースです。
今週は、コード修正を任せるモデルと、決めた選択肢から答えを選ぶモデルが公開されました。
どちらも手元の環境で使うためのモデルですが、用途は異なります。

JetBrainsがコードを調査・修正できるLLM「Mellum2.1」を公開
JetBrains は10月8日、コードの調査や修正を行うモデル「Mellum2.1」を公開しました。
同社は、実際の開発環境を使った追加学習により、プロジェクト内のコードを調べ、ファイルを編集し、変更を確認する作業を改善したと説明しています。公式発表
モデル全体の規模は約120億パラメーターで、計算時に使う部分は約25億パラメーターです。
必要な部分を選んで計算する「MoE」という構造です。
必要なメモリ量は、確認した公式資料には記載されておらず、実機でも未検証です。
ライセンスは Apache 2.0 です。
10月11日時点では、モデル配布サイト Hugging Face の JetBrains 公式アカウントで、ローカル実行向けの GGUF 形式も確認できました。
容量を抑えた Q4_K_M 版のファイルは約8.07 GBです。
約8.07 GB はダウンロードするファイルの大きさで、実行中に必要なメモリとは別です。公式 GGUF 配布ページ
発表記事には GGUF 版を「今後提供」とする記述が残っていますが、現在の配布ページではファイルを確認できます。
導入時は発表記事だけでなく、配布物や、利用する実行ソフトの対応状況も確認したいところです。
注目ポイント
モデルを動かすだけでは、ファイル編集まで自動化されません。
コードを読む・書くためのツールを接続するエージェント側の仕組みが別途必要です。
試すなら、小さなテスト用プロジェクトで修正案を作らせ、人間が差分を確認する使い方から始めるのがよさそうです。
Liquid AIが文章・画像を分類できる判断モデル「d1-3B」を公開
Liquid AI は10月7日、文章や画像から判定結果を返す「d1-3B」と、小型の「d1-omni-600M」のモデル本体を公開しました。
両モデルはダウンロードしてローカル環境で動かせます。公開発表
約30億パラメーターの「d1-3B」には、入力内容に加えて、質問と選択肢を渡します。
たとえば、書類の画像を渡し、「請求書」「領収書」「その他」のどれかを選ばせる使い方が考えられます。
これは使い方を説明するための例で、今回その精度を実測したわけではありません。
モデルは自由な回答文を書かず、選択結果や選択肢ごとの確率などを返します。
そのため、PDF の内容を文章で要約するモデルの代わりにはなりません。
資料の種類を分類する処理と、本文を読み取って要約する処理を分ける場合の候補です。d1-3B の公式モデルカード

注目ポイント
分類結果を後続処理へ渡しやすい一方で、選択肢の定義が曖昧なら判定もぶれます。
「その他」を含めた候補を用意し、分類を間違えた書類や信頼度の低い結果も確認できるようにしておく必要があります。
ローカル実行の方法は公式資料で案内されていますが、普段使っているチャット画面からそのまま呼び出せるとは限りません。
判定用の呼び出し方と、実行ソフトの対応を確認してから導入するモデルです。
Liquid AIが音声の内容も分類できる小型判断モデル「d1-omni-600M」を公開
約6億パラメーターの「d1-omni-600M」は、文章と画像、または文章と音声を入力できます。
画像と音声を同じリクエストへ同時に渡す使い方には対応していません。
入力できる音声は最大30秒です。
公式モデルカードによると、英語の話者とアシスタントのやり取りを使って学習したとのことです。公式モデルカード
音声への対応は、長時間の会議を文字起こしして要約できるという意味ではありません。
たとえば、短い発話の内容を分類するような判定が対象です。
日本語音声での精度は、今回確認していません。
同社はこのモデルを開発中の初期研究版として位置づけています。
モデルが小型であることと、必要な精度で仕事を任せられることは、別々に確かめる必要があります。
コード修正にはMellum2.1、書類の分類にはd1-3B
コードを修正するなら Mellum2.1、書類の種類を分類するなら d1-3B、短い音声を含む判定なら d1-omni-600M が検討対象です。
文章生成と分類では返ってくる情報が異なるため、モデルの規模だけを比べても、どの用途に使うかは決められません。
今週の発表の中で特に試してみたいと思ったのは、書類の分類に使う d1-3B です。
複数の PDF を扱う際、内容を要約する前に、請求書と説明書を分ける処理を試せそうだと感じました。
まず個人情報を含まない書類画像に正解ラベルを付け、日本語の文字や似た書式を扱ったときに、どのように間違えるかを確認したいと思います。
今回は公式発表と配布情報を確認した記事です。
各モデルの実機での速度、必要メモリ、日本語での精度は未検証です。
利用する際は、それぞれのライセンスと対応環境も確認してください。
ローカル AI の導入や、PDF の根拠を確認しながら回答を作る手順は、このアカウントの連載でも扱っています。