Cursor自主研发的新模型一举超越了Opus 4.6，价格策略也更加亲民，引发了编程界的热烈讨论。

倒反天罡了朋友！

Cursor的新编程模型Composer 2不仅在性能上超越了Claude，而且价格更加实惠，直接降低了成本。

作为早期Claude模型的供应商，Cursor凭借这款新模型迅速吸引了大量关注。

现在，Cursor推出了自己的编程模型，并成功超越了Claude，其最新模型Composer 2不仅功能强大，而且价格更低。

Composer 2在性能上超越了Claude Opus 4.6，并且价格大幅度降低。

相比其他公司降价仅“腰斩”，Cursor的降价力度直接“脚踝斩”。

为什么Cursor能在其他公司纷纷涨价的情况下，依然能够降低价格呢？

（随着“龙虾”现象的流行，全球大型模型的Token消耗量急剧增加，从年初开始，国内外的云服务提供商和大型模型公司都在提高价格。）

Cursor给出了答案：新的强化学习方法。

一种新的强化学习方法，使得Cursor的模型既强大又经济。

Composer 2的推出标志着Cursor的新一轮技术突破。

Composer 2不仅名字寓意“编曲家”，更体现了其作为“编程家”的强大能力。

面对“龙虾”现象导致的编程消耗Token用量激增，Cursor的目标非常明确——提高性价比。

性价比，即是“智能与成本的最佳结合”。

Composer 2在所有基准测试中均表现出色，包括Terminal-Bench 2.0和SWE-bench Multilingual。

Composer 2在衡量智能体终端操作能力的Terminal-Bench 2.0测试中，性能已经超越了GPT-5.4和Claude Opus 4.6。

Composer 2的进化速度也在不断加快。

Composer 2的标准版定价为每百万输入tokens 0.5美元（约合人民币3.5元），每百万输出tokens 2.5美元（约合人民币17.2元）。

与此同时，Cursor还推出了一款“智能水平相同但速度更快的变体”——Composer 2 Fast。

Composer 2 Fast的定价为每百万输入tokens 1.5美元（约合人民币10.3元），每百万输出tokens 7.5美元（约合人民币51.7元）。

Composer 2 Fast不仅延续了价格优势，而且速度更快。

Cursor表示，之所以能在性能和价格之间找到平衡，关键在于引入了一种新的强化学习方法。

这种方法的核心在于训练模型学会“自己给自己做会议纪要”，从而提高模型的处理能力。

用一句话来概括这种新方法，就是让模型学会“自己给自己做笔记”。

Cursor的解释是，这种名为“自我总结的强化学习方法”虽然听起来复杂，但其实非常实用。

这种方法主要解决的问题是，当前大多数AI编程助手在面对复杂任务时会出错。

任务越长，模型越容易出错，因为模型的上下文窗口总是有限的。

为了解决上下文瓶颈，业界有两种主流解决方案：摘要法和滑动窗口法。

这些方法虽然可以压缩上下文，但可能导致模型遗忘关键信息。

而Cursor的解法是让模型学会自我总结，将这种总结能力内化为模型的一部分。

Composer模型使用了一套“self-summary（自我总结）”机制，使得模型能够在处理任务时主动总结上下文。

Composer的提示词非常简单，但压缩后的输出却能更有效地保留关键信息。

在一项高难度软件工程任务中，Composer的提示词仅需一句“Please summarize the conversation”，而压缩后的输出平均只有1000个tokens。

相比之下，传统摘要法的token用量高达5000+。

Composer不仅压缩得更狠，而且信息更关键，解决了长链条任务的问题。

在一项经典难题中，Composer展示了其强大的处理能力。

Composer在经过170轮交互后，找到了精确的解法，并将10w+tokens总结压缩到了1000个。

• 一系列内部测试表明，Composer通过将压缩整合进训练循环，学会了将关键信息向后传递的机制。
• 通过将压缩整合进训练循环，Composer在高难度任务上变得更加有能力。

未来，Cursor将继续推进技术创新。

Cursor的CEO表示，Cursor既不是纯粹的应用程序开发商，也不是模型提供商，而是两者之间的桥梁。

只是不知道Cursor会不会开源，不过已经有热心网友帮忙求证了。

而Cursor的解法是——首先总结很重要，其次把这种总结能力内化成模型自己的能力也很重要。

所以他们给自家模型加了一套“self-summary（自我总结）”的机制：

模型干活干到一半，不是被动压缩，而是主动停下来给自己写一段“阶段总结”，俗称“做笔记”。

具体流程大致如下：

1、Composer基于提示词持续生成，直到达到固定的token长度触发点。
2、插入一个合成查询，要求模型总结当前上下文。
3、给模型提供一定的草稿思考空间，让它构思最佳总结，然后生成压缩后的上下文。
4、Composer使用压缩后的上下文回到步骤1；该上下文包含总结以及对话状态（规划状态、剩余任务、之前总结的次数等） 。

这里面比较关键的一点是，模型的自我总结能力不是推理技巧，而是训练出来的。

在强化学习过程中，这种总结能力会被算进奖励里：

• 总结得好→后面任务更容易成功→奖励更高
• 总结丢信息→任务失败→被惩罚

结果就是，模型慢慢搞清了：什么信息值得留下，什么可以丢掉。

具体效果可以看和传统方法的对比。

在一组高难度软件工程任务上，“传统摘要法”光是总结提示词就要写几千个tokens，而且压缩后的结果也不短，平均需要5000+tokens。

而Composer的提示词非常简单，基本就一句话“Please summarize the conversation”，且压缩后的输出平均只有1000个tokens。

在同样的任务上，后者token用量只有传统方法的1/5，而且压缩带来的错误直接减少约50%。

换句话说，压缩得更狠，但信息更关键。

更有意思的是，它真能解决长链条任务。

Cursor拿出了一道难倒一众模型的经典难题——把Doom游戏跑在MIPS架构上。

我已经提供了 /app/doomgeneric/，也就是 doom 的源代码。我还编写了一个特殊的 doomgeneric_img.c，希望您使用它；它会将绘制的每一帧写入 /tmp/frame.bmp。最后，我还提供了 vm.js，它会读取一个名为 doomgeneric_mips 的文件并运行它。其余部分请您自行解决……

由于需要模型自己改代码、编译调试、反复试错……所以很多模型到后来基本都直接卡死了。

但Composer在经过170轮交互后，找到了精确的解法，并在过程中将10w+tokens总结压缩到了1000个。

总之，一系列内部测试表明：

通过将压缩整合进训练循环，Composer学会了一种显式机制，能够高效地将关键信息向后传递，并在高难度任务上变得更有能力。

而且前面不是说了Cursor节奏很快，这不，Cursor研究员也已经开始放出Composer 3的消息了。

只能说发展到现在，Cursor以后也是有双重身份的“人”了。其CEO表示：

Cursor是一个典型的新公司，既不是纯粹的应用程序开发商，也不是模型提供商。

就是不知道能不能等一个开源？反正抱抱脸联创兼CEO已经去帮大家求了（抱拳jpg）。