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。
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：http://www.itsolotime.com/archives/4423
