2026年刚刚，Cursor 2.0携自研模型Composer强势登场，不再只做「壳」

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

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。

Composer 是一款前沿模型，虽然智能程度不敌 GPT-5 等**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。

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**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**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。

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。

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。

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：