---
title: "JetBrains Junie Localとは？M5 Macで動く要件と導入手順・採用判断【2026年10月】"
url: "https://www.issoh.co.jp/tech/details/18219/"
published: 2026-10-09
updated: 2026-10-09
categories: ["AIエージェント・MCP"]
publisher: "株式会社一創"
---

# JetBrains Junie Localとは？M5 Macで動く要件と導入手順・採用判断【2026年10月】

JetBrains Junie Localは、JetBrainsのAIコーディングエージェント「Junie」を、クラウドの推論を使わず手元のMacだけで動かす仕組みです。2026年8月24日に発表され、9月18日には新モデルとWindows向けの実験対応が加わりました。この記事では、Junie Localの構成と2つのモデル、M5・64GBという動作要件、インストールと運用のコマンド、M5を持たない開発者へ社内推論サーバーを使わせる設定、そしてソースコードを外に出せない受託案件で採用するかどうかの判断を、2026年10月9日時点の公式ドキュメントに沿って整理します。

## まとめ：JetBrains Junie Localを社内開発に入れる前に確かめる要件と使いどころ

Junie Localの価値は「無料」より「ソース・プロンプト・差分が端末の外へ出ない」点にあります。外部AIへの送信を契約で禁じられた案件でも、エージェント型の支援を使える道が開けました。

ただし壁はハードウェアです。Macは Apple M5・メモリ64GB・macOS 26以上が必須で、Windowsは24GB以上のVRAMを持つRTXでの実験対応に留まります。チーム全員が要件を満たすことはまれなので、実務では「M5を持つ人はJunie Local、それ以外は社内に置いた推論サーバー」という二段構えになります。複雑な設計判断はクラウドの上位モデルに劣ると公式も認めており、任せるのはリファクタリングやテスト追加のような反復作業から始めるのが妥当です。

## JetBrains Junie Localの構成｜Qwen系27Bモデルと端末内推論

まず、Junie Localが何を手元に置き、何を従来のJunieから引き継いでいるのかを押さえます。

### Junie本体のエージェント機能を残しモデルだけ手元のMacへ移す構成

Junie Localは別製品ではなく、Junieの推論先を切り替える機能です。[公式ドキュメント](https://junie.jetbrains.com/docs/junie-local.html)によると、mlx-vlmを土台にしたバックグラウンドサーバー「junie-mlx-vlm」がOpenAI互換のAPIを公開し、Junie CLIがプロキシを介さずそこへ接続します。サーバーの待ち受けは `localhost:19239` です。

エージェント側の機能はそのまま残ります。[発表ブログ](https://junie.jetbrains.com/blog/junie-local-launch/)では、Planモード・ガイドライン・スキル・スラッシュコマンドがクラウド利用時と同じく動くと説明しています。コーディングエージェントの基本的な動きは[Coding Agentの仕組みと3つの型を整理した記事](https://www.issoh.co.jp/tech/details/7036/)で解説しました。

### Qwen3.6-27B-4bitとblendモデルの2択と社内評価で示された数値

初期のモデルは[Qwen3.6-27Bの4bit量子化版](https://huggingface.co/mlx-community/Qwen3.6-27B-4bit)です。[Junie Localの製品ページ](https://junie.jetbrains.com/local)では、JetBrains社内のベンチマークで29.5±2.5点となり、Claude Sonnet 4.5の29点と統計的に同等、GPT-5の33点にはやや届かないとしています。ローカル側は推論（reasoning）を切った状態での比較です。

9月18日の[アップデート記事](https://junie.jetbrains.com/blog/junie-local-smarter-faster/)で、Qwen3.6-27BとQwen3.8-27Bを同じ比率で合成したQwen3.8-3.6-27B-blendが選べるようになりました。100タスクの社内評価で解決数はblendが37、Qwen3.6が34、Qwen3.8が39。出力トークンはQwen3.8より71%少ないとされています。

| モデル                   | 100タスクの解決数 | 特徴            |
| --------------------- | ---------- | ------------- |
| Qwen3.6-27B（推論なし）     | 34         | 発表時の既定・最も軽い   |
| Qwen3.8-3.6-27B-blend | 37         | 追加学習なしの等比率マージ |
| Qwen3.8-27B           | 39         | 推論が必須で出力が多く遅い |

Qwen3.8を既定にしなかった理由は速度です。発表ブログでは、Qwen3.8は安定動作に推論の有効化が要り、タスクがおよそ4倍遅くなったと書かれています。Qwenの系統と商用利用の条件は[Qwen3のモデル一覧と商用利用を解説した記事](https://www.issoh.co.jp/tech/details/6486/)にまとめています。

### M5のNeural Acceleratorとドラフトモデルで速度を稼ぐ仕組み

27Bのモデルを手元で実用速度にするため、JetBrainsが採ったのは、次に挙げる2つの高速化の手法です。1つはプロンプト処理（prefill）で、M5のNeural Acceleratorが持つ8bit演算を使い、M4比で約40%スループットを上げたとしています。もう1つは小さなドラフトモデルで次の語を先読みさせる方式で、M5のMacBook Proでは2トークンの先読みで先読みなしより60%速くなったと報告されています。

この先読みは投機的デコーディングと呼ばれる技法で、ドキュメント上は約250MBのドラフトモデルが本体と一緒に入ります。速くなる条件は[Speculative Decodingの仕組みと設定を解説した記事](https://www.issoh.co.jp/tech/details/6948/)で詳しく扱いました。

### 無料の範囲と通信が発生する場面およびクラウド版Junie Liteとの違い

発表ブログでは、登録・サブスクリプション・AIクレジット・クレジットカードのいずれも不要とされています。製品ページの記載では、ネットワークを使うのはモデルのダウンロードだけで、以降の推論は端末内で完結する仕組みです。通常のJunieやAI Assistantのようにクレジットを消費しない点は、[JetBrains AI Assistantの料金とAIクレジットを整理した記事](https://www.issoh.co.jp/tech/details/10358/)と比べると違いがはっきりします。

紛らわしいのが10月2日に発表された[Junie Lite](https://junie.jetbrains.com/blog/junie-lite/)です。こちらも無料でモデルはQwen 3.6 27Bですが、推論はJetBrainsのインフラ上で動き、提供は2026年12月31日までとされています。名前もモデルも似ていますが、コードが外に出るかどうかで性格は正反対です。

## Junie Local要件｜M5・64GB・macOS 26／Windows RTX実験版

導入の可否は、ほぼハードウェア要件だけで決まります。

### Mac側の4要件とディスク容量が公式ページで21GBと40GBに分かれる点

公式ドキュメントの要件は次のとおりです。

| 項目   | 要件                 | 補足             |
| ---- | ------------------ | -------------- |
| OS   | macOS 26以上         | 製品ページも同じ       |
| チップ  | Apple Silicon M5以降 | M4以前は対象外       |
| メモリ  | 64GB以上             | ユニファイドメモリ      |
| ディスク | 約21GBの空き           | 製品ページは約40GBと記載 |

容量は資料ごとに数字が違います。ドキュメントは本体約15GB＋ドラフト約250MBで空き約21GB、発表ブログはダウンロード約20GB、製品ページは約40GBです。blendモデルを並べて入れる可能性もあるため、社内PCの調達基準では40GBを見込んでおくのが安全です。

### Windows実験版｜Ampere以降RTX・VRAM24GB以上・nightly限定

9月18日のアップデート記事で、WindowsのNVIDIA RTXへの実験対応が始まりました。対象はAmpere世代以降でVRAMが24GB以上のカードで、nightlyビルドのJunieを `junie --channel=nightly` で起動して使います。

発表時点のブログではRTX 5090とDGX Sparkで試作が動いていると書かれていましたが、正式版の時期は示されていません。Windows機が中心の開発チームは、10月時点では評価用の1台に留め、本番の開発体制には組み込まない判断が妥当です。

## Junie Localを導入して試す手順｜/localコマンドとインストーラーの使い分け

導入経路は2つあります。Junieの中から呼び出す方法と、ターミナルでインストーラーを直接動かす方法です。

### Junieセッションから/localで導入する4ステップと初回応答が遅い理由

ドキュメントでは `/local` は64GB以上のmacOS機向けにnightlyビルドで提供と記載されています。発表ブログは最新版への更新を案内しているため、コマンドが出ない場合はチャネルを確認してください。

1. Junieのセッションで `/local` を実行する
2. セットアップ画面でモデルを選ぶ（エンジンとモデルが取得され、サーバーが起動する）
3. 「Try local model」を選び、`/model` で切り替わったことを確かめる
4. いつもどおりタスクを依頼する

最初の応答はモデルの読み込みとプロンプト処理のため遅く、2回目以降はコンテキストがキャッシュされて速くなります。長いセッションでは注意の計算が重くなり、1ラウンドあたり8.4msから40.2msまで伸びた例がアップデート記事に載っています。応答を安定させるには、作業の区切りでセッションを分ける運用が有効です。

### ターミナルからインストーラーを実行するコマンドと主なオプション

インストーラーはキー入力を待つため、パイプで直接シェルへ渡さず、いったん保存してから実行するようドキュメントが勧めています。まず `--check-only` で要件を満たすかを確かめると、64GBに届かない機種で20GB近いダウンロードを無駄にしません。

```
# 要件を満たすかだけを確認する（何もインストールしない）
curl -fsSL https://junie.jetbrains.com/install-local.sh -o /tmp/junie-local-install.sh
sh /tmp/junie-local-install.sh --check-only

# 入れられるモデルIDの一覧を表示する
sh /tmp/junie-local-install.sh --models

# 既定のQwen3.6でインストールする（終わったらJunieを再起動する）
sh /tmp/junie-local-install.sh
```

モデルを指定する `--model` は `Qwen3.6-27B-MLX-4bit` のような正式IDだけを受け付け、`qwen3.6` のような短縮名は使えません。EAP版のモデルは `--channel eap` で一覧に出ます。既存のエンジン設定を残したい再インストールで付けるオプションは、`--keep-config` です。モデルは `~/.local/share/junie-local/models/` 以下に置かれ、接続用のプロファイルが `$JUNIE_HOME/models/local-qwen3.6-27b-4bit.json` に自動で書き出されます。

### serverctl.shでローカル推論サーバーの状態を確かめる運用コマンド

サーバーの起動と停止は通常Junieが自動で行いますが、Junieの外から調べたいときのためにスクリプトが同梱されています。

```
CTL=~/.local/share/junie-local/current/serverctl.sh

$CTL status   # 起動段階と推論の進み具合
$CTL health   # 応答できる状態かを確認
$CTL stop     # 発熱が気になるときに止める

# 片付け：モデル単位で消すか、エンジンごと全部消す
$CTL uninstall Qwen3.6-27B-MLX-4bit
$CTL uninstallAll
```

推論中は計算負荷が高く、ドキュメントも発熱に触れています。macOSの低電力モードで熱は抑えられますが速度は落ちます。会議中に裏で長いタスクを流すなら、電源につないだうえで `status` を見て進み具合を確かめる運用が無難です。

## M5を持たない開発者へ社内推論サーバーを使わせるカスタムLLM設定

チームの一部しかM5・64GBのMacを持っていない場合でも、Junieの仕組みを使えば全員の推論先を社内に閉じられます。

### .junie/modelsに置くプロジェクト単位のプロファイルJSONの書き方

[カスタムLLMのドキュメント](https://junie.jetbrains.com/docs/custom-llm-models.html)によると、プロファイルはユーザー単位なら `$JUNIE_HOME/models/`、プロジェクト単位ならリポジトリの `.junie/models/` に置き、ファイル名がプロファイルIDになります。`apiType` は `OpenAICompletion`・`OpenAIResponses`・`Google`・`Anthropic` から選びます。

```
// .junie/models/internal-llm.json（ホスト名は社内環境に置き換える）
{
  "baseUrl": "http://llm.example.internal:11434/v1/chat/completions",
  "id": "qwen3-coder:latest",
  "apiType": "OpenAICompletion",
  "apiKey": "${INTERNAL_LLM_KEY}",
  "temperature": 0.6,
  "fasterModel": {
    "id": "qwen2.5-coder:1.5b"
  }
}
```

```
# プロファイルIDはファイル名から拡張子を除いたもの
export INTERNAL_LLM_KEY=xxxxxxxx
junie --model custom:internal-llm
```

JSONの1行目のコメントは説明用なので、実ファイルでは消してください。`baseUrl` は完全なURLとして扱われる設定項目で、Junieによるパスの追加はありません。`${INTERNAL_LLM_KEY}` のような環境変数参照は、変数が未設定だとプロファイルの読み込み自体が失敗します。`temperature` を0にするとループするモデルがあるとドキュメントが注意しているため、例では0.6にしています。

### Ollamaを社内GPUサーバーで動かすときにネットワークへ出る範囲

[Ollama連携のドキュメント](https://junie.jetbrains.com/docs/custom-llm-ollama.html)では、Junieのセッションで `/account` からカスタムモデルの設定を開き、OllamaのBase URL（既定は `localhost:11434`）を確認するとモデルが自動で一覧に入ります。社内サーバーに向ける場合は、このURLを社内のホストに変えるか、上のプロファイルを使います。

この構成では、コードは開発者のPCから社内サーバーまでは流れます。Junie Localの「端末から出ない」とは保証の範囲が違い、社内ネットワーク内に留まる、という水準です。Ollamaの標準構成は認証を持たないため、社内サーバー側で認証付きのリバースプロキシを前に置き、アクセス元を開発セグメントに絞ってください。Ollamaでの構築とGPUの目安は[ローカルLLMの必要スペックとOllamaでの構築手順の記事](https://www.issoh.co.jp/column/details/12964/)にまとめています。

## ソースを外に出せない受託案件でJunie Localを採用する条件と見送る場面

ここからは判断です。条件をそろえれば採用してよく、そろわなければ見送ります。

### NDAで外部AIへの送信を禁じた受託案件で採用してよい条件と確認事項

採用してよいのは、次の条件をすべて満たす場合です。

- 契約や社内規程で、ソースコードを外部のAIサービスへ送ることが禁じられている
- 担当する開発者がM5・64GBのMacを持っている（または調達できる）
- 任せる作業がリファクタリング・テスト追加・依存更新・既存コードの調査のような反復型である
- モデル取得時の通信と、Junie本体の更新経路を情報システム部門が把握している

最後の条件は見落とされがちです。「推論は外に出ない」は確かでも、モデルのダウンロードとJunie自体の更新では通信が発生します。端末の通信ログで確かめたうえで、セキュリティ審査の資料に書き込んでおきます。

### 設計判断を伴う大規模改修や要件未達の開発体制では見送る判断基準

見送るのは2つの場面です。1つは、アーキテクチャの組み替えのように設計判断が中心の作業。JetBrains自身が、日常の作業では差を感じにくい一方で複雑な設計の推論ではクラウドのモデルに劣ると認めています。もう1つは、チームの大半が要件を満たさない体制で、Junie Localを主軸に据える計画です。M5を持つ1人だけが使える道具では、レビューと引き継ぎの流れがそろいません。

避けたい失敗は、「無料だから」と全員分のM5 Macを先に買うことです。社内推論サーバーで同じ反復作業が回るかを先に試し、それでも端末内で閉じる必要がある案件だけにJunie Localを充てるほうが、費用と効果の釣り合いが取れます。

### チーム全体でAIコーディングを入れる前に決める社内ルールと相談先

どのツールを選んでも、先に決めるのは「どの案件で、どの推論先まで送ってよいか」という線引きです。Junie Local・社内サーバー・クラウドの3つの推論先を案件ごとに割り当て、ガイドラインとプロファイルをリポジトリに置けば、新しい開発者も同じ条件で使えます。社内規程の整備や推論サーバーの構築まで含めて進めたい場合は、[生成AI導入支援の相談窓口](https://www.issoh.co.jp/service/ai/genai/)で、案件の機密区分に合わせた使い分けから一緒に設計できます。

## JetBrains Junie Localの導入検討でよくある質問と公式情報に基づく回答

検討段階で出やすい疑問に、2026年10月9日時点の公式情報で答えます。

### Junie Localは本当に無料で使えますか？

発表ブログでは、登録・サブスクリプション・AIクレジット・クレジットカードのいずれも不要とされています。製品ページにも「計測も課金もしない」と書かれています。かかるのは、M5・64GBを満たすMac本体の費用、20〜40GB程度のディスク、長時間動かしたときの電力です。なお、似た名前のJunie Liteも無料ですが、こちらはJetBrainsのクラウドで推論する別の仕組みで、提供期限は2026年12月31日とされています。

### M4やM3のMac、メモリ32GBのMacでは動きませんか？

公式の要件はM5以降・メモリ64GB以上で、それ以外は対象外です。製品ページはM5に限る理由を、M5のNPUに合わせた処理の効率化で27Bモデルを実用速度で動かせるためと説明しています。対象外の機種では、Junieのカスタムモデル設定でOllamaやLM Studioにつなぎ、より小さなモデルを使う方法があります。JetBrainsは要件の引き下げと対応機種の拡大を進めるとしていますが、時期は示されていません。

### WindowsのPCでJunie Localは使えますか？

2026年9月18日から実験対応が始まっています。条件はAmpere世代以降のNVIDIA RTXでVRAMが24GB以上あることで、nightlyビルドのJunieを `junie --channel=nightly` で起動して使います。実験段階のため、業務の主力として使う前提にはせず、評価用に留めるのが安全です。

### Junie Localの性能はClaudeやGPTと比べてどの程度ですか？

製品ページによると、JetBrains社内の評価でQwen3.6-27Bは29.5±2.5点で、Claude Sonnet 4.5の29点と統計的に同等、GPT-5の33点にはやや劣ります。比較相手のクラウドモデルは推論を有効にした状態です。9月18日に加わったblendモデルは、100タスクの評価で34から37へ解決数を伸ばしました。いずれもJetBrainsの非公開テストでの数値で、第三者の検証ではありません。

### Junie Localを使えばコードが一切外部に送信されませんか？

製品ページでは、ソース・プロンプト・差分はネットワークに出ず、通信はモデルのダウンロードだけと説明しています。重みを保存したあとは、オフラインの環境でも動作が可能です。ただしJunie本体の更新やモデルの追加取得では通信が発生し、カスタムモデルで社内サーバーやクラウドに切り替えれば、その先へは送られます。`/model` で今どのモデルを使っているかを確かめる習慣を付けてください。

## 関連記事

- [JetBrains AI Assistantとは？料金・AIクレジット・使い方とGitHub Copilotとの違い](https://www.issoh.co.jp/tech/details/10358/)：クレジットを消費するクラウド側のJetBrains AIの料金体系です。
- [JetBrains Contextとは？AIエージェント向けコード索引の仕組みと導入判断](https://www.issoh.co.jp/tech/details/16381/)：Junieなどのエージェントにコードを読ませる索引の仕組みです。
- [ローカルLLMとは？クラウド型との違い・必要スペック・Ollamaでの構築手順を解説](https://www.issoh.co.jp/column/details/12964/)：社内推論サーバーを立てるときの前提知識です。
- [Claude Codeとは？できること・使い方・料金：コード解析の実力と導入手順【2026年版】](https://www.issoh.co.jp/tech/details/5571/)：クラウドで動く代表的なコーディングエージェントとの比較に使えます。
- [OpenCodeとは？無料OSSのAIコーディングエージェント｜インストール・opencode.json設定・料金を解説](https://www.issoh.co.jp/tech/details/10369/)：ローカルLLMにもつなげるOSSのエージェントです。

---

出典: [JetBrains Junie Localとは？M5 Macで動く要件と導入手順・採用判断【2026年10月】](<https://www.issoh.co.jp/tech/details/18219/>)（株式会社一創）