{"id":736891,"date":"2026-09-03T03:34:53","date_gmt":"2026-09-03T02:34:53","guid":{"rendered":"https:\/\/blog.jetbrains.com\/?post_type=junie&p=736891"},"modified":"2026-09-03T03:39:38","modified_gmt":"2026-09-03T02:39:38","slug":"junie-kann-jetzt-komplett-auf-ihrem-mac-ausgefuehrt-werden-ohne-credits-ohne-cloud","status":"publish","type":"junie","link":"https:\/\/blog.jetbrains.com\/de\/junie\/2026\/09\/junie-kann-jetzt-komplett-auf-ihrem-mac-ausgefuehrt-werden-ohne-credits-ohne-cloud\/","title":{"rendered":"Junie kann jetzt komplett auf Ihrem Mac ausgef\u00fchrt werden \u2013 ohne Credits, ohne Cloud"},"content":{"rendered":"

Unser erster Schritt in Richtung lokaler Coding-Agents\u00a0<\/strong><\/h2>\n

Junie kann schon seit einiger Zeit lokale Modell-Runtimes einbinden. Sie verweisen Junie einfach auf Ollama oder LM Studio, laden Sie ein lokales Modell, und schon greift der Agent darauf zu. Viele nutzen diese M\u00f6glichkeit bereits. Dazu m\u00fcssen Sie allerdings das passende Modell ausw\u00e4hlen, die Einstellungen optimieren und eine Menge manuelle Konfigurationsarbeit leisten. Zudem sind kleinere Modelle nur f\u00fcr eine begrenzte Auswahl einfacher Aufgaben geeignet.<\/p>\n

Genau diese Arbeit nehmen wir Ihnen jetzt ab. Das neue Junie Local bringt ein Modell mit, das wir speziell f\u00fcr unsere Agent-Schleife ausgew\u00e4hlt und optimiert haben, installiert es mit einem einzigen Befehl und f\u00fchrt es vollst\u00e4ndig lokal auf Ihrem Computer aus. Keine Token, keine Kontingente und keine \u00dcbertragung von Code ins Internet. Und die Nutzung ist kostenlos.<\/p>\n

\n
Junie Local installieren<\/a><\/div>\n<\/div>\n

Ein einziger Befehl, keine weitere Konfiguration<\/h2>\n

Geben Sie in Junie einfach \/local ein. Junie l\u00e4dt das Modell herunter, startet den lokalen Server und nimmt die Umstellung automatisch vor. Sie m\u00fcssen weder ein JSON-Profil schreiben noch vorab eine Runtime installieren oder einen Endpunkt angeben.<\/p>\n

Als Modell kommt Qwen3.6-27B in 4-Bit-Quantisierung zum Einsatz. Der Download umfasst ca. 20\u00a0GB, und Sie ben\u00f6tigen einen Mac mit M5-Chip und 64\u00a0GB RAM. Sobald der Download abgeschlossen ist, l\u00e4uft alles lokal: Prompts, Quellcode und Diffs verlassen zu keinem Zeitpunkt Ihren Rechner.<\/p>\n

Ihre bisherige Konfiguration wird nahtlos \u00fcbernommen. Der Plan<\/em>-Modus, Live-Prompting, Richtlinien, Skills und \/Befehle funktionieren weiter wie gewohnt. Nur die Engine ist neu \u2013 der Agent bleibt gleich.<\/p>\n\n\n

Was wir bei der Performance-Optimierung gelernt haben<\/h2>\n

Bei Benchmarks steht meist die Generierungsgeschwindigkeit im Mittelpunkt. Bei einem Coding-Agent ist dieser Wert jedoch irref\u00fchrend, denn der Gro\u00dfteil der Zeit entf\u00e4llt auf das sogenannte Prefill \u2013 den Vorbereitungsschritt, bei dem das Modell Dateien einliest, um die Ausgangslage zu verstehen. Die entscheidenden Performancegewinne wurden durch die Optimierung des Prefill-Vorgangs erzielt \u2013 und genau deshalb setzt Junie Local mindestens einen Apple-M5-Chip voraus: Der Neural Accelerator des M5 bietet 8-Bit-Arithmetikbefehle, die dem M4 fehlen \u2013 damit konnten wir den Prefill-Durchsatz um rund 40% erh\u00f6hen. Wir werden diesen Patch als Pull-Request f\u00fcr MLX-VLM einreichen.<\/p>\n

Wir haben uns au\u00dferdem bewusst f\u00fcr Qwen3.6 und gegen die neuere Version 3.8 entschieden. Qwen3.8 funktioniert nur mit aktiviertem Reasoning zuverl\u00e4ssig, wodurch sich die Bearbeitungszeit der Aufgaben jedoch ungef\u00e4hr vervierfacht. Auf aktuellen Macs ist 3.6 schlicht die bessere Wahl.<\/p>\n

Hinzu kommen weitere Optimierungen wie eine aufgaben\u00fcbergreifende Wiederverwendung des KV-Cache und spekulatives Decoding, das die Generierungsgeschwindigkeit ann\u00e4hernd verdoppelt. Die genauen technischen Details erfahren Sie hier: So haben wir das Modell Qwen 3.6 f\u00fcr unseren Agent Junie optimiert.<\/a><\/p>\n

Wie gut funktioniert es?<\/h2>\n

Jedes Modell durchl\u00e4uft bei uns ein propriet\u00e4res JetBrains-Testset, bevor es in Junie integriert wird. Das galt selbstverst\u00e4ndlich auch f\u00fcr Junie Local. Die Ergebnisse von Qwen3.6-27B lagen auf Augenh\u00f6he mit Sonnet 4.5 (bei einem Reasoning-Limit von 10.000 Token). GPT-5 erzielte bei \u201eMedium\u201c-Aufwand etwas bessere Werte.<\/p>\n

Dabei ist der Kontext dieser Zahlen zu beachten: Wir liefern das lokale Modell mit komplett deaktiviertem Reasoning aus, da es in unseren Tests kaum Qualit\u00e4tsvorteile brachte, aber zwei- bis dreimal so viele Token ben\u00f6tigte. Die Testergebnisse zeigen also die Leistung unseres lokalen Modells ohne Reasoning im Vergleich zu Cloud-Modellen mit aktiviertem Reasoning.<\/p>\n

Im normalen Arbeitsalltag d\u00fcrfte der Unterschied kaum auffallen. Bei komplexen Architektur\u00fcberlegungen hingegen sehr wohl.<\/p>\n

Was sich \u00e4ndert, wenn der Tokenverbrauch irrelevant ist<\/h3>\n

Benchmarks zeigen, ob ein Modell eine Aufgabe l\u00f6sen kann. Sie zeigen jedoch nicht, was passiert, wenn diese Aufgaben kostenlos ausgef\u00fchrt werden.<\/p>\n

Junie bietet bereits seit L\u00e4ngerem M\u00f6glichkeiten zur Kostenkontrolle: etwa durch Planung mit einem leistungsstarken Modell und Umsetzung mit einem g\u00fcnstigeren Modell. Junie Local senkt die Kosten jetzt auf null. Wenn Iterationen nichts mehr kosten, k\u00f6nnen Sie auch Aufgaben an den Agent \u00fcbergeben, f\u00fcr die der Einsatz von Credits zuvor unwirtschaftlich war. Junie Local ist ideal f\u00fcr:<\/p>\n