JetBrains a annoncé Junie Local, une version de l’agent de programmation Junie qui fonctionne entièrement sur un Mac au lieu de dépendre de services cloud. La fonctionnalité n’utilise ni crédits ni quotas payants, et l’entreprise affirme que les requêtes, le code et les différences de code ne quittent pas l’appareil.
Junie prenait déjà en charge la connexion à des environnements d’exécution de modèles locaux tels qu’Ollama et LM Studio, mais cela obligeait l’utilisateur à choisir le modèle, à configurer ses paramètres et à préparer manuellement l’environnement d’exécution. Junie Local arrive quant à lui avec un modèle choisi par JetBrains et configuré pour s’adapter à la boucle de travail de l’agent. Il peut être activé depuis Junie à l’aide de la commande /local. Le modèle est ensuite téléchargé, le serveur local démarre et l’agent bascule vers l’exécution locale, sans avoir besoin d’écrire un fichier JSON, d’installer un environnement d’exécution distinct ou de définir un point de connexion.
Des exigences élevées et une exécution locale
Junie Local repose sur le modèle Qwen3.6-27B avec une précision de 4 bits, et nécessite le téléchargement d’environ 20 Go. JetBrains exige également un Mac équipé d’une puce M5 et de 64 Go de mémoire vive. Une fois le téléchargement terminé, le traitement s’effectue sur le matériel local, tout en conservant les paramètres actuels de l’utilisateur, notamment le mode de planification, les requêtes directes, les instructions, les compétences et les commandes /commands.
Pourquoi JetBrains a-t-elle choisi la puce M5 ?
JetBrains affirme que la vitesse de génération des tokens n’est pas la mesure la plus importante pour un agent de programmation : la majeure partie du temps peut être consacrée à la lecture des fichiers et à la compréhension du contexte du dépôt, une étape appelée prefill. L’équipe s’est donc concentrée sur l’amélioration des performances de cette étape, en tirant parti d’instructions de calcul en précision 8 bits dans l’accélérateur Neural Accelerator du M5, des instructions que le M4 ne fournirait pas, selon l’entreprise. D’après les mesures de JetBrains, cela a entraîné une augmentation d’environ 40 % du débit de traitement du prefill, avec l’intention de soumettre la correction au projet MLX-VLM sous la forme d’une demande de fusion.
L’entreprise a choisi Qwen3.6 plutôt que le plus récent Qwen3.8, car cette dernière version nécessite l’activation du raisonnement pour fonctionner de manière fiable, ce qui rend les tâches environ quatre fois plus lentes selon ses tests. JetBrains a également utilisé la réutilisation de la mémoire KV-cache entre les tâches ainsi qu’un réglage de génération spéculative qui, selon elle, multiplie presque par deux la vitesse de génération.
Performances et limites pratiques
Dans un ensemble de tests propres à JetBrains, Qwen3.6-27B a obtenu des performances similaires à celles de Sonnet 4.5 dans une limite de raisonnement de 10 000 tokens, tandis que GPT-5 avec un réglage d’effort moyen a obtenu un résultat légèrement supérieur. La comparaison n’est toutefois pas parfaitement équivalente : le modèle local fonctionne avec le raisonnement entièrement désactivé, car les tests de JetBrains ont constaté qu’il n’apportait pas beaucoup de qualité supplémentaire et consommait deux à trois fois plus de tokens, alors que cette fonctionnalité était activée pour les modèles cloud comparés. La différence peut donc ne pas apparaître dans les tâches quotidiennes, mais elle devient évidente dans les tâches architecturales complexes.
Qu’est-ce qui change concrètement pour les développeurs ?
La suppression du calcul des coûts pourrait rendre plus faciles à exécuter par l’agent des tâches que les développeurs reportaient ou évitaient, telles que la refactorisation et le renommage dans plusieurs fichiers, la réduction des lacunes de couverture des tests, la mise à niveau des dépendances, la migration de frameworks logiciels et la compréhension d’un dépôt hérité. L’exécution locale offre également un avantage direct aux équipes qui traitent du code soumis à des accords de confidentialité avec leurs clients, puisque les données n’entrent pas dans la boucle d’un fournisseur cloud.
Néanmoins, Junie Local reste limité par des exigences matérielles élevées et une taille de téléchargement importante, et ses performances en matière de raisonnement architectural complexe sont inférieures à celles des modèles cloud selon les chiffres présentés par JetBrains. Le texte source disponible s’achève avant de terminer l’explication des implications en matière de confidentialité : les détails finaux concernant les politiques d’utilisation et la disponibilité doivent donc faire l’objet d’une vérification humaine.