JetBrains가 클라우드 서비스에 의존하는 대신 Mac에서 완전히 실행되는 Junie 프로그래밍 에이전트 버전인 Junie Local을 발표했다. 이 기능은 크레딧이나 유료 할당량을 사용하지 않으며, 회사에 따르면 프롬프트와 코드, 코드 차이점이 기기 밖으로 나가지 않는다.
기존에도 Junie는 Ollama와 LM Studio 같은 로컬 모델 실행 환경에 연결할 수 있었지만, 사용자가 모델을 선택하고 설정을 조정하며 실행 환경을 수동으로 준비해야 했다. 반면 Junie Local은 JetBrains가 선택하고 에이전트 작업 루프에 맞게 조정한 모델을 제공하며, /local 명령을 통해 Junie 내부에서 활성화할 수 있다. 이후 모델이 다운로드되고 로컬 서버가 시작되며, JSON 파일을 작성하거나 별도의 실행 환경을 설치하거나 엔드포인트를 지정할 필요 없이 에이전트가 로컬 실행으로 전환된다.
높은 요구 사항과 로컬 실행
Junie Local은 4-bit 정밀도의 Qwen3.6-27B 모델을 사용하며, 약 20GB를 다운로드해야 한다. 또한 JetBrains는 M5 프로세서와 64GB RAM을 갖춘 Mac을 요구한다. 다운로드가 완료되면 처리는 로컬 하드웨어에서 진행되며, 계획 모드, 직접 프롬프트, 지침, 스킬, /commands 명령을 포함한 기존 사용자 설정은 그대로 유지된다.
JetBrains는 왜 M5 프로세서를 선택했나?
JetBrains는 프로그래밍 에이전트에서 코드 생성 속도가 가장 중요한 지표는 아니라고 말한다. 파일을 읽고 저장소의 맥락을 이해하는 단계에 더 많은 시간이 걸릴 수 있으며, 이 단계는 prefill이라고 불린다. 이에 따라 팀은 이 단계의 성능 개선에 집중했으며, M5의 Neural Accelerator에 포함된 8-bit 정밀도 연산 명령을 활용했다. 회사에 따르면 M4에는 이러한 명령이 없다. JetBrains의 측정 결과, 이로 인해 prefill 처리 속도가 약 40% 증가했으며, 해당 수정 사항을 MLX-VLM 프로젝트에 병합 요청으로 제출할 계획이다.
회사는 최신 버전인 Qwen3.8 대신 Qwen3.6을 선택했다. 최신 버전은 안정적으로 작동하려면 추론을 활성화해야 하며, 자체 테스트에 따르면 이로 인해 작업이 약 네 배 느려지기 때문이다. 또한 JetBrains는 작업 간 KV-cache 재사용과 생성 속도를 거의 두 배로 높인다고 밝힌 추측적 생성 설정을 사용했다.
성능과 실용적 한계
JetBrains 전용 테스트 세트에서 Qwen3.6-27B는 10,000토큰의 추론 한도 내에서 Sonnet 4.5와 비슷한 성능을 보였고, 중간 수준의 노력 설정을 적용한 GPT-5는 약간 더 높은 점수를 기록했다. 그러나 비교가 완전히 동일한 조건은 아니다. JetBrains의 테스트에서 추론은 품질을 크게 높이지 않고 토큰 수를 두세 배 소비하는 것으로 나타났기 때문에 로컬 모델에서는 추론을 완전히 비활성화했다. 반면 비교 대상인 클라우드 모델에서는 이 기능이 활성화되어 있었다. 따라서 일상적인 작업에서는 차이가 두드러지지 않을 수 있지만, 복잡한 아키텍처 작업에서는 차이가 분명해진다.
개발자에게 실질적으로 달라지는 점은 무엇인가?
비용 산정이 사라지면 개발자가 미루거나 피하던 작업을 에이전트로 수행하기가 더 쉬워질 수 있다. 예를 들어 여러 파일에 걸친 리팩터링과 이름 변경, 테스트 커버리지 공백 보완, 종속성 업그레이드, 프레임워크 마이그레이션, 레거시 저장소 이해 등이 이에 해당한다. 또한 로컬 실행은 고객과의 비밀유지계약이 적용되는 코드를 다루는 팀에 직접적인 이점을 제공한다. 데이터가 클라우드 제공업체의 처리 과정에 들어가지 않기 때문이다.
그럼에도 Junie Local은 높은 하드웨어 요구 사항과 큰 다운로드 용량이라는 제약을 안고 있으며, JetBrains가 제시한 수치에 따르면 복잡한 아키텍처 추론 성능은 클라우드 모델보다 낮다. 제공된 원문은 개인정보 보호의 영향에 대한 설명을 완료하기 전에 끝나므로, 사용 정책과 제공 여부에 관한 최종 세부 사항은 사람의 검토가 필요하다.