JetBrainsは、クラウドサービスに依存せずMac上で完全に動作するプログラミングエージェントJunieのエディション、Junie Localを発表した。この機能はクレジットや有料割り当てを使用せず、同社によればプロンプト、コード、コード差分がデバイスの外部に出ることもない。
JunieはこれまでもOllamaやLM Studioなど、ローカルモデル実行環境への接続をサポートしていたが、ユーザーがモデルを選択し、その設定を調整し、実行環境を手動で準備する必要があった。一方、Junie LocalにはJetBrainsが選択し、エージェントのワークフローに適合するよう調整したモデルが付属しており、Junie内から/localコマンドで有効化できる。その後、モデルがダウンロードされ、ローカルサーバーが起動し、JSONファイルの記述、別個の実行環境のインストール、エンドポイントの指定を必要とせず、エージェントがローカル実行へ切り替わる。
高い要件とローカル実行
Junie Localは4-bit精度のQwen3.6-27Bモデルを使用し、約20ギガバイトのダウンロードを必要とする。またJetBrainsは、M5チップと64ギガバイトのRAMを搭載したMacを要件としている。ダウンロードが完了すると、処理はローカルハードウェア上で行われ、プランニングモード、直接プロンプト、指示、スキル、/commandsコマンドなど、ユーザーの既存設定は引き続き利用される。
JetBrainsがM5チップを選んだ理由
JetBrainsによれば、コード生成速度はプログラミングエージェントにとって最も重要な指標ではない。時間の大部分はファイルの読み込みとリポジトリのコンテキスト理解に費やされる可能性があり、この段階はprefillと呼ばれる。そのためチームはこの段階の性能向上に注力し、M5内のNeural Acceleratorにある8-bit精度の計算命令を活用した。同社によれば、これらの命令はM4には搭載されていない。JetBrainsの測定では、これによりprefillの処理速度が約40%向上し、修正をMLX-VLMプロジェクトへマージリクエストとして送る意向も示している。
同社は、より新しいQwen3.8ではなくQwen3.6を選択した。Qwen3.8は信頼性の高い動作のために推論を有効化する必要があり、同社のテストではタスクが約4倍遅くなるためだ。JetBrainsはさらに、タスク間でKV-cacheメモリを再利用し、生成速度をおよそ2倍にするとしている投機的生成の設定も使用した。
性能と実用上の制限
JetBrains独自のテストセットでは、Qwen3.6-27Bは10,000トークンの推論上限内でSonnet 4.5と同程度の性能を達成し、一方、GPT-5は中程度の推論労力設定でわずかに高い結果を記録した。ただし、比較は完全に同条件ではない。ローカルモデルでは推論が完全に無効化されている。JetBrainsのテストでは、推論は品質を大きく向上させず、トークン数を2倍から3倍消費することが分かったためである。一方、比較対象のクラウドモデルではこの機能が有効化されていた。そのため日常的な作業では差が現れない可能性があるが、複雑なアーキテクチャタスクでは明確になる。
開発者にとって実際に何が変わるのか
コスト計上がなくなることで、開発者が先送りしたり避けたりしていたタスクをエージェントで実行しやすくなる可能性がある。たとえば、複数ファイルにまたがるリファクタリングや名前変更、テストカバレッジの不足の解消、依存関係のアップグレード、フレームワークの移行作業、レガシーリポジトリの理解などだ。またローカル実行は、顧客との秘密保持契約の対象となるコードを扱うチームに直接的な利点をもたらす。データがクラウドプロバイダーの処理系に入らないためである。
それでもJunie Localは、高いハードウェア要件と大容量のダウンロードという制約を抱えている。またJetBrainsが提示した数値によれば、複雑なアーキテクチャ推論における性能はクラウドモデルを下回る。提供された原文はプライバシーへの影響の説明を完了する前に終わっているため、利用ポリシーと提供状況に関する最終的な詳細には人による確認が必要である。