cursor 发布了composer2.5，性能接近opus4.7 1/仍然基于kimi2.5基础上训练 2/同时与马斯克的XAI 合作从零开始训练一个规模显著更大的模型，使用 10 倍的总计算资源， 100 万个 H100 等效算力，还在训练中，预计会有更大的提升 3/Composer 2.5 的价格为每百万输入 token 0.50 美金、每百万输出token 2.50美金。此外，还有一个智能水平相同但速度更快的变体，价格为每百万输入 token 3.00 美金、每百万输出token 15.00美金 主要的训练配方： 一 基于文本反馈的定向 RL：（本质上是最近很流行的自蒸馏技术方案） 传统RL的问题： 在像 Composer 这样的大模型训练中，一个完整的 rollout（一次对话或任务执行过程）可能有几十万 token。最终的奖励（reward）是基于整个 rollout 结束后的结果给的（例如任务是否成功、用户是否满意）。这会导致两个严重问题： 1/模型不知道到底是哪一步做对了/做错了。奖励信号太“稀疏”、太“全局”了。 2/即使最终奖励是负的，这个坏行为在几千步里只占了一步，它的信号会被严重稀释，模型很难学到“这一步不该这么做”。想纠正局部坏行为非常困难。比如：一次错误的工具调用 Composer 2.5 的解决方案：文本反馈 + 定向蒸馏： 不再只依赖最终的标量奖励，而是在轨迹中模型本来可以做得更好的具体位置，直接插入人类/规则/更强的模型写的文本反馈，给模型一个局部、清晰的训练信号。具体做法如下： 找到需要改进的位置：（比如出错的工具调用，比如名字生成错了） （例如第 47 轮，模型调用了一个不存在的工具） 构造一条简短的「纠正提示」 例如：“Reminder: Available tools are [list of tools]… 请只调用存在的工具。” 把这条提示插入局部上下文 形成一个修改后的上下文 ，让模型（Teacher）在这个新上下文中重新生成。 Teacher 的概率分布 = 理想目标 插入提示后，Teacher 在那一轮生成时：错误工具的概率大幅下降，正确替代工具的概率上升 Student（当前正在训练的模型） 在原始上下文（没有插入提示）下生成。 添加 KL 散度损失（on-policy distillation） 让 Student 的 token 概率向 Teacher 的概率靠拢。 只在这一轮做这个针对性优化，其他轮还是正常用全局 RL 目标。 合成数据： 采用多种方法来创建基于真实代码库的合成任务。例如，其中一种合成方法是功能删除。在这类任务中，智能体会拿到一个包含大量测试的代码库，并被要求以某种方式删除代码和文件，使代码库在保持可运行的同时移除特定的、可测试的功能。随后，合成任务就是重新实现该功能，而这些测试则被用作可验证的奖励信号。(头雁)