Cursor 2.0 正式发布：自研模型 Composer 与多智能体协作界面同步上线

Cursor 近日正式推出 2.0 版本，带来两项重要更新：其一是推出首个自研编码模型 Composer，其二是引入了支持多个智能体并行协作的新界面。

这一更新具有里程碑意义。长期以来，Cursor 虽然广受开发者欢迎，但始终被视为“AI 时代的 VS Code”，因其一直依赖 Claude、GPT 等第三方模型。这一特点既是 Cursor 发展的起点，也逐渐成为其发展的限制。而 Composer 的发布，被视为 Cursor 突破瓶颈的“独立宣言”，标志着 Cursor 正式从“AI 外壳”向“AI 原生平台”转型。

自研模型 Composer：速度领先，智能实用

Composer 是一款前沿的编码模型。尽管在智能水平上尚未达到 GPT-5 等顶尖模型，但其生成速度显著领先，达到同类智能模型的四倍。

在基准测试中，Composer 展现了前沿水平的编码智能，生成速度高达每秒 250 个 token，约为当前领先快速推理模型的两倍，是同类前沿系统的四倍。Cursor 在对比中将模型分为多个类别，包括“最佳开源”、“快速前沿”、“2025 年 7 月前沿”以及“最佳前沿”。Composer 在智能表现上接近中端前沿系统，同时在所有测试类别中创下了生成速度的最高纪录。

该模型专为 Cursor 环境中的低延迟智能体式编码设计，大多数任务可在 30 秒内完成。早期测试用户反馈称，其快速迭代能力使用顺手，值得信赖处理多步骤编码任务。

官方介绍，Composer 在训练过程中使用了一整套强大的工具，包括覆盖整个代码库的语义搜索，因此在理解和处理大型代码库方面表现更为出色。训练中，模型被要求高效解决各类复杂问题，并使用生产级的搜索与编辑工具。

Composer 的研发源于 Cursor 团队在开发自研补全模型 Cursor Tab 时的经验。他们发现，开发者更倾向于使用既智能又支持交互的模型，以保持编码的专注与流畅。团队曾试验代号为 Cheetah 的原型智能体模型，以探索高速智能体模型的潜力，Composer 是该模型的升级版，在速度与智能上均有提升，确保编码过程顺畅高效。

从架构上看，Composer 采用混合专家模型（MoE），支持长上下文的生成与理解。该模型通过多样化开发环境中的强化学习进行专项优化，专注于软件工程任务。在每次训练中，模型接收问题描述并生成最佳响应，无论是代码修改、方案规划还是信息回答。它可使用从文件读写到终端命令、语义搜索等多种工具。

为准确评估模型表现，Cursor 团队构建了 Cursor Bench 基准测试，由工程师和研究人员提交的真实智能体请求组成，并配有精心整理的人工解决方案。该测试不仅考察响应的正确性，还评估其对代码库结构和软件工程实践的遵循程度。

通过强化学习，团队有针对性地优化模型，以更好地服务于高效软件开发。由于响应速度对交互式开发至关重要，模型被鼓励高效选择工具并尽可能并行处理任务。训练中还注重减少不必要的回复和避免无依据的陈述。团队发现，在强化学习过程中，模型还自发掌握了执行复杂搜索、修复 linter 错误、编写并运行单元测试等能力。

目前，Composer 已被 Cursor 自身的工程团队在日常开发中使用，显示出其成熟度与稳定性。该模型已完全集成至 Cursor 2.0 中，成为此次智能开发环境重大更新的核心部分。

全新多智能体界面：聚焦任务，并行协作

Cursor 2.0 的界面也进行了全面更新，更加聚焦于“智能体”为中心的设计，而非传统的文件结构。用户可更专注于期望的结果，而将实现细节交由智能体处理。需要时，用户仍可在新布局中打开文件，或切换回经典 IDE 界面。

新版本支持轻松并行运行多个智能体，各智能体之间互不干扰，这一功能基于 git worktree 或远程机器支持。Cursor 表示，他们发现让多个模型同时尝试解决同一问题并择优采用，能显著提升结果质量，尤其在处理复杂任务时更为明显。

every.to 博客分享的测试示例显示，用户可在顶部栏中同时运行多个模型处理相同任务，例如同时运行两次 Composer 1 Alpha 和一次 Grok Code。博客中形容，这如同多位实习生各自负责文章的不同章节，同时向用户汇报工作。

此外，Cursor 官方指出，随着智能体在编码中的广泛应用，代码评审和变更测试成为新的瓶颈。Cursor 2.0 也开始着手解决这些问题，支持更快速地审阅智能体所做的变更，并在需要时深入查看代码细节。同时，团队还构建了原生浏览器工具，使 Cursor 能够测试其工作并持续迭代，直至得出正确结果。

强大的基础设施支持

高效训练大型 MoE 模型需要强大的基础设施和系统研究支持。Cursor 团队基于 PyTorch 和 Ray 构建了定制化训练系统，以支持大规模异步强化学习。通过结合 MXFP8 MoE 内核与专家并行、混合分片数据并行技术，团队在原生低精度下训练模型，以极低的通信开销将训练扩展至数千张 NVIDIA GPU。采用 MXFP8 训练还可在无需后训练量化的情况下实现更快的推理速度。

在进行强化学习时，团队希望模型能够调用 Cursor Agent 框架中的各种工具，包括编辑代码、语义搜索、grep 字符串查找以及运行终端命令。为应对大规模并发需求，团队重构了原有的 Background Agents 基础设施，重写了虚拟机调度器，以适应训练任务的突发性与规模，实现了强化学习环境与生产环境的无缝统一。

用户反馈与关注

作为备受关注的 AI 编程工具，Cursor 2.0 的发布引发了广泛讨论。

参与早期体验的开发者给出了多样反馈，every.to 博客整理的用户意见中既有积极评价，也包含改进建议。

在 X 等社交平台上，也有不少用户分享了使用体验。有人甚至半开玩笑地提出，是否可用 Cursor 2.0 来构建 AGI（通用人工智能），显示出社区对其技术潜力的高度期待。