Cursor 2.0 发布：自研模型 Composer 与多智能体协作新界面

机器之心报道

机器之心编辑部

终于，Cursor 还是走上了自己训练大型语言模型的路。

Cursor 2.0 终于来了！

刚刚，Cursor 发布了两项重大更新：首个编码模型 Composer，以及用于并行协作多个智能体的新界面。

此举意义非凡。一直以来，Cursor 虽然广受欢迎，但终究免不了「AI 时代的 VS Code」的帽子，因为它此前只能使用 Claude、GPT 等第三方模型。这既是 Cursor 的起点，也成了它的瓶颈。

Composer 的发布，堪称是 Cursor 打破这个瓶颈的「独立宣言」，这也标志着 Cursor 正式从「AI 外壳」向「AI 原生平台」进化。

自研模型 Composer

Composer 是一款前沿模型，虽然智能程度不敌 GPT-5 等最佳前沿模型，但速度确实遥遥领先，达到了同等智能模型的 4 倍。

在基准测试中，Composer 实现了前沿水平的编码智能，同时生成速度达到每秒 250 个 token—— 大约是领先的快速推理模型的两倍，是同类前沿系统的四倍。（注：Cursor 发布的对比将模型分为几个类别：「最佳开源」（例如，Qwen Coder、GLM 4.6）、「快速前沿」（Haiku 4.5、Gemini Flash 2.5）、「2025 年 7 月前沿」（年中可用的最强模型）以及「最佳前沿」（包括 GPT-5 和 Claude Sonnet 4.5）。Composer 在匹敌中端前沿系统智能水平的同时，还在所有测试类别中实现了有记录以来的最高生成速度。）

该模型专为在 Cursor 中进行低延迟的智能体式编码而打造，大多数回合在 30 秒内完成。早期测试者认为其快速迭代的能力非常顺手，并愿意信任它处理多步骤编码任务。

官方表示，Composer 通过一组强大的工具进行训练，包括覆盖整个代码库的语义搜索，因此在理解与处理大型代码库方面显著更强。

具体来说，在训练过程中，Composer 可使用一套生产级的搜索与编辑工具，并被要求高效解决各类棘手问题。

该模型的研发动力源于 Cursor 团队在开发 Cursor Tab（自研的补全模型）时的经验。

他们发现，开发者往往希望使用既足够智能又能支持交互式使用的模型，以保持编码的专注与流畅。在研发过程中，他们试验了一个代号为 Cheetah 的原型智能体模型，以更好地理解更高速智能体模型的影响。Composer 是该模型的更智能升级版，凭借足够的速度支撑交互式体验，让编码始终愉快顺滑。

从架构上来看，Composer 是一种混合专家（MoE）模型，支持长上下文的生成与理解。它通过在多样化的开发环境中进行强化学习，针对软件工程进行了专项优化。每次训练迭代中，模型都会接收问题描述，并被指示产出最佳响应，无论是代码修改、方案规划，还是信息性回答。模型既能使用读取与编辑文件等简单工具，也能调用更强大的能力，例如终端命令和面向整个代码库的语义搜索。

为衡量进展，他们构建了一套尽可能贴近软件开发者实际使用价值的评测。新基准测试 Cursor Bench 由 Cursor 的工程师和研究人员提交的真实智能体请求组成，并配有人工精心整理的最佳解决方案。该评测不仅考察智能体的正确性，还评估其对代码库既有抽象与软件工程实践的遵循程度。

强化学习使他们能够有针对性地优化模型，以更好地服务高效的软件工程。鉴于响应速度是交互式开发的关键，他们鼓励模型在工具使用上做出高效选择，并在可能的情况下最大化并行处理。此外，他们通过减少不必要的回复、避免无依据的陈述来训练模型。他们还发现，在 RL 过程中，模型会自发习得一些有用的能力，例如执行复杂搜索、修复 linter 错误，以及编写并运行单元测试。

Composer 已经被 Cursor 自己的工程团队在日常开发中使用 —— 这表明其成熟度和稳定性。

目前，Composer 已完全集成到 Cursor 2.0 中，这是该公司智能开发环境的一次重大更新。

多智能体界面

Cursor 的界面设计也进行了更换。

其博客介绍说，这一版本更加聚焦，彻底以「智能体」为中心，而非传统的文件结构。这样用户就能专注于想要的结果，而让智能体处理繁琐的细节。当需要深入代码时，用户也可以轻松在新布局中打开文件，或切换回经典的 IDE 界面。

Cursor 2.0 能够轻松并行运行多个智能体，它们之间互不干扰。这得益于 git worktree 或远程机器的支持。Cursor 表示：「我们甚至发现，让多个模型同时尝试同一问题并择优采用，能显著提升最终结果，尤其是在更难的任务上。」

every.to 博客分享了一些测试示例，比如在下面的示例中，在顶部栏中，可以看到三个不同的模型上运行了相同的任务：Composer 1 Alpha 运行了两次，Grok Code 运行了一次：

该博客写到：「现在，开发者可以同时运行多个 AI 智能体，每个智能体负责项目的不同部分，每个部分被称为一个工作树（work tree）。这相当于一群实习生各自负责这篇文章的不同章节，并同时向我汇报工作。」

另外，Cursor 官方还提到，随着他们更多地使用智能体进行编码，出现了两个新的瓶颈：代码评审与变更测试。

Cursor 2.0 也开始解决这两个问题。支持更快速地审阅智能体的变更，并在需要时深入代码。

同时，他们还构建了原生浏览器工具，使 Cursor 可以测试其工作并持续迭代，直到产出正确的最终结果。

基础设施

高效训练大型 MoE 模型需要在基础设施与系统研究方面进行大量投入。团队基于 PyTorch 和 Ray 构建了定制化训练基础设施，以在大规模环境下支持异步强化学习。他们通过将 MXFP8 MoE kernels 与专家并行和混合分片数据并行相结合，在原生低精度下训练模型，从而以极低的通信开销将训练扩展到数千张 NVIDIA GPU。此外，采用 MXFP8 训练还能在无需训练后量化的情况下实现更快的推理速度。

在进行 RL 时，团队希望模型能够调用 Cursor Agent 框架中的任意工具。这些工具可用于编辑代码、进行语义搜索、使用 grep 查找字符串，以及运行终端命令。以 Cursor 的规模，要让模型高效调用这些工具，需要在云端并发运行数十万份隔离的沙盒编码环境。为了承载这类工作负载，团队对既有的 Background Agents 基础设施进行了改造，重写了虚拟机调度器，以适配训练运行的突发性与规模。由此，他们将 RL 环境与生产环境实现了无缝统一。

网友点评

作为明星级 AI 编程工具，Cursor 的这次大版本更新自然也收获了无数眼球。

参与过早期体验的开发者纷纷给出好评。比如 every.to 博客就收集整理了多位开发者的意见反馈，其中有好有坏：