JetBrains, bulut hizmetlerine güvenmek yerine tamamen bir Mac üzerinde çalışan Junie kodlama aracısının bir sürümü olan Junie Local’ı duyurdu. Şirketin belirttiğine göre özellik ücretli kredi veya kotaları kullanmıyor; istemler, kod ve kod farkları cihazdan ayrılmıyor.
Junie daha önce Ollama ve LM Studio gibi yerel model çalıştırma ortamlarına bağlanmayı destekliyordu, ancak bu, kullanıcının modeli seçmesini, ayarlarını yapılandırmasını ve çalıştırma ortamını manuel olarak hazırlamasını gerektiriyordu. Junie Local ise JetBrains’in seçtiği ve aracının iş akışına uyacak şekilde yapılandırdığı bir modelle geliyor. Özellik, Junie içinden /local komutuyla etkinleştirilebiliyor. Ardından model indiriliyor, yerel sunucu başlatılıyor ve bir JSON dosyası yazmaya, ayrı bir çalıştırma ortamı kurmaya veya bir bağlantı noktası belirtmeye gerek kalmadan araç yerel çalışmaya geçiyor.
Yüksek gereksinimler ve yerel çalışma
Junie Local, 4-bit hassasiyetli Qwen3.6-27B modeline dayanıyor ve yaklaşık 20 GB’lık indirme gerektiriyor. JetBrains ayrıca M5 işlemcili ve 64 GB RAM’e sahip bir Mac şartı koşuyor. İndirme tamamlandıktan sonra işlemler yerel donanımda gerçekleştiriliyor; planlama modu, doğrudan istemler, yönergeler, beceriler ve /commands komutları da dahil olmak üzere kullanıcının mevcut ayarları korunuyor.
JetBrains neden M5 işlemcisini seçti?
JetBrains, bir kodlama aracısı için kod üretme hızının en önemli ölçüt olmadığını söylüyor; çünkü zamanın büyük bölümü dosyaları okuma ve depo bağlamını anlama aşamasında, yani prefill olarak bilinen süreçte geçebiliyor. Bu nedenle ekip, M5 içindeki Neural Accelerator hızlandırıcısında bulunan 8-bit hassasiyetli hesaplama talimatlarından yararlanarak bu aşamanın performansını iyileştirmeye odaklandı. Şirket, M4’ün bu talimatları sunmadığını belirtiyor. JetBrains’in ölçümlerine göre bu durum prefill işleme hızında yaklaşık %40’lık bir artış sağladı; şirket, düzeltmeyi MLX-VLM projesine bir birleştirme isteği olarak göndermeyi planlıyor.
Şirket, daha yeni Qwen3.8 yerine Qwen3.6’yı seçti; çünkü daha yeni sürümün güvenilir biçimde çalışması için çıkarımın etkinleştirilmesi gerekiyor ve bu da kendi testlerine göre görevleri yaklaşık dört kat yavaşlatıyor. JetBrains ayrıca görevler arasında KV-cache belleğinin yeniden kullanılmasını ve üretim hızını yaklaşık iki katına çıkardığını belirttiği spekülatif üretim ayarını kullandı.
Performans ve pratik sınırlamalar
JetBrains’e özel bir test grubunda Qwen3.6-27B, 10.000 tokenlık bir çıkarım sınırı içinde Sonnet 4.5’e benzer performans gösterdi; orta düzey çaba ayarındaki GPT-5 ise biraz daha yüksek bir sonuç elde etti. Ancak karşılaştırma tamamen eşdeğer değil: JetBrains’in testleri, çıkarımın kaliteye fazla katkı sağlamadığını ve token sayısını iki ila üç katına çıkardığını gösterdiği için yerel modelde çıkarım tamamen devre dışı bırakılmıştı; karşılaştırılan bulut modellerinde ise bu özellik etkindi. Bu nedenle fark günlük işlerde belirgin olmayabilir, ancak karmaşık mimari görevlerde açıkça ortaya çıkıyor.
Geliştiriciler açısından pratikte ne değişiyor?
Maliyet hesabının ortadan kalkması, geliştiricilerin ertelediği veya kaçındığı bazı görevleri aracının gerçekleştirmesi için daha uygulanabilir hâle getirebilir. Bunlar arasında birden fazla dosyada yeniden yapılandırma ve yeniden adlandırma, test kapsamındaki boşlukların giderilmesi, bağımlılıkların yükseltilmesi, çerçeve geçişlerinin gerçekleştirilmesi ve eski bir deponun anlaşılması yer alıyor. Yerel çalışma ayrıca müşteri gizlilik anlaşmalarına tabi kodlarla çalışan ekipler için doğrudan bir avantaj sağlıyor; çünkü veriler bir bulut sağlayıcısının sistemine girmiyor.
Bununla birlikte Junie Local, yüksek donanım gereksinimleri ve büyük indirme boyutuyla sınırlı kalıyor. Ayrıca JetBrains’in sunduğu rakamlara göre karmaşık mimari çıkarım performansı bulut modellerinden daha düşük. Mevcut kaynak metin, gizlilik sonuçlarının açıklaması tamamlanmadan sona eriyor; bu nedenle kullanım ve erişilebilirlik politikalarıyla ilgili nihai ayrıntıların insan tarafından incelenmesi gerekiyor.