Alat kripto yang menarik, indikatornya, telah ada sejak awal dimana sajadia punya Komposer memperkenalkanModel Bahasa Markup Besar (LLM) pertama yang dibuat sendiri sebagai bagian dari programnya Pembaruan platform indeks 2.0.

Komposer dirancang untuk menjalankan tugas pemrograman dengan cepat dan akurat di lingkungan produksi, mewakili langkah baru dalam pemrograman berbantuan AI. Ini sudah digunakan oleh tim teknik Cursor dalam pengembangan sehari-hari – menunjukkan kematangan dan stabilitas.

Berdasarkan indikatornya, komposer menyelesaikan interaksi terbanyak Kurang dari 30 detik Sambil mempertahankan kemampuan tingkat tinggi untuk bernalar di seluruh basis kode yang besar dan kompleks.

Model ini digambarkan empat kali lebih cepat dibandingkan sistem cerdas serupa, dan dilatih berdasarkan alur kerja “agen” – di mana agen pengkode independen secara kolaboratif merencanakan, menulis, menguji, dan meninjau kode.

Sebelumnya, indikator ini didukung "Pengodean suasana" — Menggunakan AI untuk menulis atau menyelesaikan kode berdasarkan instruksi bahasa alami dari pengguna, meskipun mereka adalah seseorang yang tidak terlatih dalam pengembangan — Di atas LLM berpemilik terkemuka lainnya Dari OpenAI, Anthropic, Google dan xAI. Opsi ini masih tersedia untuk pengguna.

Hasil standar

Kemampuan komposer diukur dengan menggunakan "kursi indikator," Kumpulan evaluasi internal yang berasal dari permintaan agen pengembang nyata. Standar ini tidak hanya mengukur kebenaran, tetapi juga kepatuhan model terhadap abstraksi, konvensi gaya, dan praktik teknik saat ini.

Dengan standar ini, Komposer mencapai kecerdasan pemrograman tingkat batas saat membuat file 250 simbol per detik – Hampir dua kali lebih cepat dibandingkan model inferensi cepat terkemuka dan empat kali lebih cepat dibandingkan sistem frontier sebanding.

Model perbandingan yang dipublikasikan Cursor membagi model ke dalam beberapa kategori: “Terbuka Terbaik” (misalnya, Qwen Coder, GLM 4.6), “Fast Frontier” (Haiku 4.5, Gemini Flash 2.5), “Frontier 7/2025” (model pertengahan tahun terkuat yang tersedia), dan “Best Frontier” (termasuk GPT-5 dan Claude Sonnet 4.5). Komposer mencocokkan kecerdasan sistem kelas menengah sambil memberikan kecepatan generasi tertinggi yang pernah tercatat di antara semua kelas yang diuji.

Sebuah model berdasarkan pembelajaran penguatan dan arsitektur campuran ahli

Ilmuwan riset Sasha Rush dari Cursor memberikan wawasan tentang pengembangan model di Postingan di jejaring sosial Xmenggambarkan komposer sebagai model campuran para ahli terpelajar (RL):

“Kami menggunakan RL untuk melatih model MOE besar agar benar-benar ahli dalam pemrograman dunia nyata, dan juga sangat cepat.”

Rush menjelaskan bahwa tim merancang bersama lingkungan Komposer dan Kursor agar model dapat berjalan secara efisien pada skala produksi:

“Tidak seperti sistem pembelajaran mesin lainnya, Anda tidak dapat mengambil banyak manfaat dari sistem berskala besar. Kami bersama-sama merancang proyek ini dan indikatornya agar agen dapat berjalan pada skala yang diperlukan.”

Komposer dilatih tentang tugas rekayasa perangkat lunak nyata, bukan kumpulan data statis. Selama pelatihan, model dijalankan dalam basis kode lengkap menggunakan berbagai alat produksi—termasuk pengeditan file, pencarian semantik, dan perintah terminal—untuk memecahkan masalah teknik yang kompleks. Setiap iterasi pelatihan melibatkan penyelesaian tantangan konkrit, seperti menghasilkan modifikasi kode, merumuskan rencana, atau membuat penjelasan yang ditargetkan.

Cincin penguatan meningkatkan kesehatan dan efisiensi. Komposer telah belajar bagaimana membuat pilihan instrumen yang efektif, menggunakan paralelisme, dan menghindari tanggapan yang tidak perlu atau spekulatif. Seiring waktu, model tersebut mengembangkan perilaku yang muncul seperti menjalankan pengujian unit, memperbaiki bug Linter, dan melakukan pencarian kode multi-langkah secara mandiri.

Desain ini memungkinkan Composer untuk beroperasi dalam konteks runtime yang sama dengan pengguna akhir, sehingga lebih kompatibel dengan kondisi pemrograman dunia nyata – berhubungan dengan kontrol versi, manajemen ketergantungan, dan pengujian berulang.

Dari prototipe hingga produksi

Perkembangan Komposer mengikuti prototipe internal sebelumnya yang dikenal sebagai Cheetahyang digunakan Index untuk mengeksplorasi heuristik latensi rendah untuk tugas pemrograman.

“Cheetah adalah versi 0 dari model ini terutama untuk pengujian kecepatan,” kata Rush pada X. “Metrik kami menunjukkan bahwa dia (sang komposer) sama cepatnya, tetapi jauh lebih pintar.”

Keberhasilan Cheetah dalam mengurangi latensi telah membantu Cursor mengidentifikasi kecepatan sebagai faktor kunci dalam kepercayaan pengembang dan kemudahan penggunaan.

Komposer mempertahankan daya tanggap tersebut sekaligus meningkatkan inferensi dan generalisasi tugas secara signifikan.

Pengembang yang menggunakan Cheetah selama pengujian awal mencatat bahwa kecepatannya mengubah cara mereka bekerja. “Itu sangat cepat sehingga saya bisa tetap mendapatkan informasi terbaru saat bekerja dengannya,” komentar salah satu pengguna.

Komposer mempertahankan kecepatan ini tetapi memperluas kemampuan untuk tugas pengkodean, pemfaktoran ulang, dan pengujian multi-langkah.

Integrasi dengan Indikator 2.0

Komposer telah terintegrasi penuh ke dalam Cursor 2.0, pembaruan besar pada lingkungan pengembangan agen perusahaan.

Platform ini menawarkan antarmuka multi-agen, memungkinkan Hingga delapan agen untuk bekerja secara paralel, Masing-masing berada di ruang kerja yang terisolasi menggunakan git work tree atau mesin jarak jauh.

Dalam sistem ini, komposer dapat bertindak sebagai satu atau lebih agen, melakukan tugas secara mandiri atau kolaboratif. Pengembang dapat membandingkan beberapa hasil dari pengoperasian agen secara bersamaan dan memilih yang terbaik.

Cursor 2.0 juga menyertakan fitur pendukung yang meningkatkan efektivitas Composer:

• Peramban di dalam editor (GA) – Memungkinkan agen untuk menjalankan dan menguji kode mereka langsung di dalam IDE, mengarahkan informasi DOM ke formulir.

• Tingkatkan peninjauan kode – Mengumpulkan perbedaan di beberapa file untuk pemeriksaan lebih cepat terhadap perubahan yang dihasilkan oleh model.

• Terminal mode proteksi (GA) – Isolasi perintah shell yang dikelola agen untuk eksekusi lokal yang aman.

• Modus suara – Menambahkan kontrol ucapan-ke-teks untuk memulai atau mengelola sesi agen.

Meskipun pembaruan platform ini memperluas pengalaman Cursor secara keseluruhan, Composer diposisikan sebagai inti teknis yang memungkinkan enkripsi proxy yang cepat dan andal.

Infrastruktur dan sistem pelatihan

Untuk melatih Komposer dalam skala besar, Cursor membangun infrastruktur pembelajaran penguatan khusus yang menggabungkan PyTorch dan Ray untuk pelatihan asinkron di ribuan GPU NVIDIA.

Tim ini mengembangkan kernel MXFP8 MoE khusus dan memparalelkan data hash campuran, memungkinkan pembaruan model skala besar dengan overhead komunikasi minimal.

Konfigurasi ini memungkinkan Cursor untuk melatih model secara lokal dengan akurasi rendah tanpa memerlukan kuantisasi pasca-pelatihan, sehingga meningkatkan kecepatan dan efisiensi inferensi.

Pelatihan komposer bergantung pada ratusan ribu lingkungan sandbox secara bersamaan – masing-masing merupakan ruang kerja pemrograman mandiri – yang berjalan di cloud. Perusahaan telah mengadaptasi infrastruktur agen back-end untuk menjadwalkan mesin virtual ini secara dinamis, mendukung sifat eksplosif dari proses RL yang besar.

Penggunaan perusahaan

Peningkatan kinerja Komposer didukung oleh perubahan tingkat infrastruktur melalui tumpukan kecerdasan kode Cursor.

Perusahaan telah mengoptimalkan Protokol Server Bahasa (LSP) untuk diagnostik dan navigasi yang lebih cepat, terutama dalam proyek Python dan TypeScript. Perubahan ini mengurangi latensi ketika Komposer berinteraksi dengan repositori besar atau membuat pembaruan multi-file.

Pengguna perusahaan memiliki kontrol administratif atas Komposer dan agen lainnya melalui aturan tim, log audit, dan aplikasi sandbox. Lapisan Tim dan Perusahaan Cursor juga mendukung penggunaan formulir batch, autentikasi SAML/OIDC, dan analitik untuk memantau kinerja agen di seluruh organisasi.

Harga untuk pengguna individu berkisar dari Gratis (Hobi) hingga Ultra ($200 per bulan), dengan batas penggunaan yang diperpanjang untuk pelanggan Pro+ dan Ultra.

Harga bisnis mulai dari $40 per pengguna per bulan untuk Teams, dengan kontrak perusahaan yang menawarkan opsi penggunaan dan kepatuhan khusus.

Peran komposer dalam lanskap pemrograman AI yang terus berkembang

Fokus Komposer pada kecepatan, pembelajaran penguatan, dan integrasi dengan alur kerja pengkodean langsung membedakannya dari asisten pengembangan AI lainnya seperti GitHub Copilot atau Agen Replit.

Alih-alih bertindak sebagai mesin saran pasif, Composer dirancang untuk kolaborasi berbasis agen yang berkelanjutan, di mana beberapa sistem independen berinteraksi langsung dengan basis kode proyek.

Spesialisasi tingkat model ini—melatih AI untuk beroperasi di lingkungan nyata di mana ia akan beroperasi—mewakili langkah penting menuju pengembangan perangkat lunak yang praktis dan otonom. Komposer dilatih tidak hanya pada data teks atau kode statis, namun dalam IDE dinamis yang mencerminkan kondisi produksi.

Rasch menggambarkan pendekatan ini sebagai hal yang penting untuk mencapai keandalan di dunia nyata: Model ini tidak hanya mempelajari cara membuat kode, namun juga cara mengintegrasikan, menguji, dan meningkatkannya dalam konteks.

Artinya bagi pengembang perusahaan dan pemrograman dinamis

Dengan Composer, Cursor menawarkan lebih dari sekadar model cepat, Cursor menerapkan sistem AI yang dioptimalkan untuk penggunaan di dunia nyata, dirancang untuk bekerja dalam alat yang sama yang sudah diandalkan oleh pengembang.

Kombinasi pembelajaran penguatan, desain campuran ahli, dan integrasi produk yang erat memberi Komposer keunggulan praktis dalam kecepatan dan daya tanggap yang membedakannya dari model bahasa tujuan umum.

Meskipun Cursor 2.0 menyediakan infrastruktur untuk kolaborasi antara banyak agen, Composer adalah inovasi inti yang membuat alur kerja dapat dijalankan.

Ini adalah model pengkodean pertama yang dirancang khusus untuk pengkodean proxy tingkat produksi — dan gambaran awal tentang seperti apa pemrograman sehari-hari ketika pengembang manusia dan pekerja lepas berbagi ruang kerja yang sama.

Tautan sumber

Tautan sumber

Tautan sumber