JetBrains 宣布推出 Junie Local，这是 Junie 编程代理的一个版本，可完全在 Mac 设备上运行，而不依赖云服务。该功能不使用付费额度或配额，公司还表示，提示、代码和代码差异不会离开设备。
Junie 此前支持连接 Ollama 和 LM Studio 等本地模型运行环境，但这要求用户选择模型、调整其设置，并手动准备运行环境。而 Junie Local 自带由 JetBrains 选择并针对代理工作循环进行配置的模型，可通过 Junie 中的 /local 命令启用。随后，系统会下载模型、启动本地服务器，并将代理切换为本地运行，无需编写 JSON 文件、安装独立的运行环境或指定连接端点。
较高的要求与本地运行
Junie Local 采用 Qwen3.6-27B 模型和 4-bit 精度，需要下载约 20 GB。JetBrains 还要求设备为配备 M5 处理器和 64 GB 随机存取内存的 Mac。下载完成后，处理工作在本地硬件上进行，同时继续使用用户现有的设置，包括规划模式、直接提示、指令、技能和 /commands 命令。
JetBrains 为什么选择 M5 处理器？
JetBrains 表示，代码生成速度并不是编程代理最重要的衡量标准；更多时间可能会花在读取文件和理解代码库上下文的阶段上，这一阶段称为 prefill。因此，团队重点优化了这一阶段的性能，利用了 M5 Neural Accelerator 中的 8-bit 精度计算指令。公司称 M4 不提供这些指令。根据 JetBrains 的测量结果，这使 prefill 处理速率提高了约 40%，团队还计划将相关修复提交至 MLX-VLM 项目，作为合并请求。
公司选择 Qwen3.6，而不是更新的 Qwen3.8，是因为后者需要启用推理才能可靠运行；根据其测试结果，这会使任务速度降低约四倍。JetBrains 还在任务之间复用 KV-cache，并采用一项推测生成设置，公司称该设置大致可将生成速度提高一倍。
性能与实际限制
在 JetBrains 专用的测试集上，Qwen3.6-27B 在 10,000 个令牌的推理上限下取得了与 Sonnet 4.5 相当的性能，而采用中等工作量设置的 GPT-5 得分略高。不过，这一比较并不完全等价：本地模型完全禁用了推理，因为 JetBrains 的测试发现推理并不会显著提升质量，却会消耗两到三倍的令牌数量；相比之下，参与比较的云端模型启用了这一功能。因此，在日常工作中差异可能并不明显，但在复杂的架构任务中会变得清晰。
这对开发者实际上意味着什么？
取消成本计算可能会让开发者过去会推迟或避免的任务更适合交由代理执行，例如跨多个文件进行重构和重命名、弥补测试覆盖率缺口、升级依赖项、执行框架迁移，以及理解遗留代码库。对于处理受客户保密协议约束的代码的团队而言，本地运行还带来了直接好处，因为数据不会进入云服务提供商的处理链路。
不过，Junie Local 仍受较高硬件要求和较大下载量的限制；根据 JetBrains 提供的数据，其在复杂架构推理方面的性能也低于云端模型。所提供的源文本在完整说明隐私影响之前结束，因此，与使用政策和可用性有关的最终细节仍需人工审核。