JetBrains เปิด Junie Local RTX Spark ตั้งแต่วันแรก AI เขียนโค้ดฟรีที่โค้ดไม่ออกนอกเครื่อง

JetBrains ประกาศเมื่อ 16 ตุลาคม 2026 ว่า Junie Local รองรับเครื่อง NVIDIA RTX Spark ตั้งแต่วันวางขาย ทำให้ Junie Local RTX Spark เป็นเอเจนต์เขียนโค้ดที่รันโมเดลบนเครื่องได้เต็มรูปแบบ พร้อมขยับการรองรับ Windows จาก experimental เป็น stable บนการ์ด NVIDIA RTX ที่มีหน่วยความจำ 24 GB ขึ้นไป และใช้ได้ฟรี

ผู้ใช้ติดตั้ง Junie แล้วพิมพ์ /local ก็ได้เอเจนต์ที่อ่านโค้ด แก้ไฟล์ และรันเทสต์บนเครื่องของตัวเอง JetBrains ระบุว่าไม่มีค่า token ไม่มีโควตา และโค้ดไม่ออกนอกเครื่อง บริษัทขอบคุณ NVIDIA ที่ให้ทดลองใช้เครื่องก่อนวางขาย

Junie Local RTX Spark ทำความเร็วได้เท่าไร

RTX Spark เป็นแพลตฟอร์มของ NVIDIA ที่จับคู่ GPU RTX สถาปัตยกรรม Blackwell กับ CPU Grace สำหรับรันโมเดล AI ขนาดใหญ่ในเครื่องบางเบา (อ่านข่าว RTX Spark วางขาย) ในการทดสอบของ JetBrains Junie Local RTX Spark สร้างข้อความได้สูงสุด 55 token ต่อวินาที บริษัทเรียกตัวเลขนี้ว่าค่าเริ่มต้นของแพลตฟอร์ม และกำลังพัฒนาการ inference ให้เร็วขึ้นอีก

• ขนาด context ตามหน่วยความจำ Junie Local เลือก context window ให้ใหญ่ที่สุดเท่าที่หน่วยความจำ GPU ของเครื่องรองรับ เครื่องที่มีหน่วยความจำมากจึงเก็บโค้ด ผลลัพธ์ของเครื่องมือ และประวัติการสนทนาได้มากขึ้น
• FP8 บน Tensor Core ใช้ Tensor Core ของ Blackwell ประมวลผลแบบ FP8 เพื่ออ่าน context ได้เร็วขึ้น
• speculative decoding ร่าง token ล่วงหน้าหลายตัวแล้วตรวจพร้อมกัน เพื่อเร่งการสร้างข้อความ

เครื่องที่ใช้ Junie Local RTX Spark และพีซี Windows ได้

ตอนเปิดตัวในเดือนสิงหาคม Junie Local ต้องใช้ Mac ชิป M5 ที่มีหน่วยความจำ 64 GB เดือนกันยายน JetBrains เพิ่มการรองรับ Windows แบบ experimental สำหรับการ์ด RTX ที่มี VRAM 24 GB และรอบนี้เปลี่ยนเป็น stable พร้อมเขียนตัวติดตั้งและ engine ในเครื่องใหม่

ตัวติดตั้งตรวจเครื่อง GPU และไดรเวอร์ให้เอง แล้วติดตั้ง engine สำหรับ inference โมเดล และการเชื่อมกับ Junie ผู้ใช้เลือกโมเดลได้ 2 ตัว คือ Qwen3.6-27B และ Qwen3.8-3.6-27B-blend ซึ่ง JetBrains สร้างโดยรวมน้ำหนักของสองโมเดลในสัดส่วนเท่ากัน และจะเพิ่มโมเดลอื่นในอนาคต

โมเดลรวมที่คิดน้อยลงแต่ทำงานได้มากขึ้น

บล็อกของ JetBrains เมื่อ 18 กันยายนอธิบายว่า Qwen3.8 ทำงานสำเร็จมากกว่า Qwen3.6 แต่ต้องเปิดโหมด reasoning ทำให้ใช้เวลาราว 4 เท่า จึงรวมสองโมเดลเป็น Qwen3.8-3.6-27B-blend ในชุดทดสอบเขียนโค้ด 100 งานของบริษัท โมเดลรวมทำสำเร็จ 37 งาน เทียบกับ 34 งานของ Qwen3.6 และ 39 งานของ Qwen3.8 แต่สร้าง token ออกมาน้อยกว่า Qwen3.8 ถึง 71%

เมื่อเทียบเฉพาะ 30 งานที่ทั้งสองโมเดลทำสำเร็จ โมเดลรวมใช้ token ราว 279,000 ตัว เทียบกับราว 935,000 ตัวของ Qwen3.8 หรือน้อยกว่าราว 70% และใช้น้อยกว่าใน 29 จาก 30 งาน JetBrains สร้างโมเดลนี้ด้วยการรวมน้ำหนักเฉย ๆ โดยไม่ได้เทรนเพิ่ม และยังทดลองวิธีอื่น เช่น distillation และ reinforcement learning ต่อ