Composer 1 是AI编程工具Cursor的开发商Anysphere于2025年10月29日发布的自主研发代码大语言模型（LLM），随Cursor 2.0平台一同推出。该模型定位于“代理式编码”（agentic coding）模型，专为在真实开发环境中高效、准确地执行编码任务而设计。

在Composer 1发布之前，Cursor平台主要集成第三方领先的LLM，包括OpenAI、Anthropic、Google和xAI等提供的模型。Composer 1的推出标志着Cursor从模型集成者向模型开发者的战略转型。

二、技术架构与训练方法

2.1 模型架构

Composer 1采用混合专家（Mixture-of-Experts, MoE）架构，支持长上下文处理。Cursor研究科学家Sasha Rush在公开渠道披露，该模型通过强化学习（Reinforcement Learning, RL） 训练而成，是一个“大型MoE模型”。

MoE架构的核心优势在于推理时仅激活模型参数的一个子集，从而在保持较高智能水平的同时实现更快的推理速度。

2.2 训练方法

强化学习训练框架
Composer 1的训练采用基于代理的强化学习方法，训练环境尽可能模拟生产环境。训练数据以用户查询的形式输入模型，模型通过调用工具来完成目标。关键创新在于并行运行大量训练轨迹——同时运行多个Cursor实例，并对输出进行评分以确定哪些工具调用策略更有效。

训练环境
训练过程中，模型在完整的代码库环境中运行，使用包括文件编辑、语义搜索和终端命令在内的一系列生产工具来解决实际的工程问题。每个训练迭代都涉及解决具体挑战，如生成代码编辑、制定计划或提供针对性解释。

基础设施
Cursor为训练Composer 1构建了定制的强化学习基础设施，结合PyTorch和Ray框架，在数千个NVIDIA GPU上进行异步训练。团队开发了专门的MXFP8 MoE内核和混合分片数据并行技术，以最小化通信开销实现大规模模型更新。

2.3 基础设施架构

训练系统由三种主要服务器类型协同工作：

服务器类型功能描述

训练器（Trainer）使用PyTorch，采用MXFP8低精度训练定制内核，MoE层可实现3.5倍加速

推理服务器（Inference Server）使用Ray编排训练轨迹，处理工具调用和优势管理，解决“落后任务”问题

环境服务器（Environment Server）使用microVM启动状态化环境，执行文件更改、终端命令和代码检查

2.4 工具空间与代理行为

Composer 1作为代理运行时，通过工具空间进行交互。系统设计了约10种生产工具：

读取文件
编辑文件
代码库搜索
代码检查（lint）收集
终端命令执行

代理可以串行或并行调用这些工具，并行调用能力对实现快速用户体验至关重要。

行为演进：通过强化学习训练，模型的代理行为得到优化。训练早期，模型会进行过多缺乏充分依据的编辑；随着训练推进，模型学会在执行更改前读取更多文件和进行更多搜索，从而产生更准确、更周全的代码修改。

2.5 生产与训练一体化

Cursor的关键设计是生产环境与训练基础设施的协同设计。用于运行云端代理的生产代理服务器与RL训练使用相同的环境。这种设计确保训练环境与生产环境完全一致，使模型能够学习成为这些工具的高级用户。例如，Cursor的自定义嵌入模型用于语义搜索，Composer 1在生产中使用完全相同的语义搜索模型和结构进行训练。

三、性能表现与技术指标

3.1 速度指标

输出速度：Composer 1的生成速度达到250 tokens/秒，约为当时领先快速推理模型的两倍，可比前沿系统的四倍。这一速度指标在其发布时处于行业领先水平。
首个token延迟：在实际测试中，Composer 1的首个token响应时间持续低于1秒。
任务完成时间：Cursor官方表示，Composer 1的大多数交互在30秒内完成。

3.2 智能水平

Cursor Bench基准
Cursor开发了内部评估套件Cursor Bench，该基准基于真实的开发者代理请求构建，不仅衡量代码正确性，还评估模型对现有抽象、代码风格惯例和工程实践的遵循程度。

在该基准上，Composer 1达到了“前沿水平的编码智能”。Cursor发布的对比分组将模型分为以下类别：

Best Open（如Qwen Coder、GLM 4.6）
Fast Frontier（如Haiku 4.5、Gemini Flash 2.5）
Frontier 7/2025（2025年年中最佳模型）
Best Frontier（如GPT-5、Claude Sonnet 4.5）

Composer 1的智能水平与“中型前沿系统”相当，同时在所有测试类别中实现了最高记录生成速度。

3.3 第三方测试结果

Composio测试（2025年11月）
在构建Python AI代理的对比测试中：

指标Composer 1Claude Sonnet 4.5

Token消耗约200,000约427,000

任务完成时间约3分钟（首次响应）约10分钟

代码质量完整实现相当，但存在API过时问题

测试结论：Composer 1以不到一半的时间、少于一半的token消耗实现了与Claude Sonnet 4.5相当或略优的代码质量。

Chrome扩展构建测试（2025年11月）
在构建Chrome扩展的实际任务中，Composer 1首次构建时间约25分钟，消耗token 40,000-50,000，估算成本约$0.15-0.25。

编程任务综合测试（2025年11月）
在为期一周的22个任务测试中：

18个任务达到可交付首稿（无需重写）
2个任务需要大幅修改
2个任务因模型过度讨论边界情况而放弃

3.4 上下文窗口

Composer 1支持200K token的有效上下文容量。Cursor通过项目索引和分块策略实现大型上下文工作区，模型能够智能提取所需文件，在150K-180K token的代码量范围内保持准确的代码建议。

四、功能特性

4.1 代理式编码能力

Composer 1的核心定位是“代理式编码”模型，能够自主规划、编写、测试和审查代码。这种设计超越传统的代码补全功能，实现多文件协调编辑和仓库级重构。

4.2 多语言支持

实际测试验证Composer 1在以下语言的表现：

Python/TypeScript/React：表现最强
Go：表现良好
Rust：具备基本意识但处理复杂生命周期时置信度较低

4.3 工具调用能力

模型学会有效选择工具、利用并行性、避免不必要的响应。训练过程中发展出运行单元测试、修复linter错误、自主执行多步代码搜索等涌现行为。

五、定价与可用性

5.1 订阅方案

Cursor提供多层级订阅方案：

层级价格包含内容

免费版（Hobby）免费基础功能

专业版（Pro）$20/月约500次快速代理请求

Pro+-更高使用限额

超享版（Ultra）$200/月约10,000次快速代理操作

团队版（Teams）$40/用户/月包含管理功能、审计日志等

5.2 定价模式

Composer 1定价与GPT-5相同：$1.25/百万输入token，$10/百万输出token。相比Claude 4.5（$3/百万输入token，$15/百万输出token）具有成本优势。

5.3 API可用性

截至2025年10月，Composer 1不提供直接API调用方式，仅可通过Cursor IDE访问。

六、集成与平台支持

6.1 Cursor 2.0 集成

Composer 1完全集成于Cursor 2.0平台，该平台引入：

多代理界面：最多8个代理并行运行，各自在独立工作区中使用git工作树或远程机器
内嵌浏览器：代理可直接在IDE中运行和测试代码
改进的代码审查：聚合多文件差异快速检查
沙箱终端：隔离代理执行的shell命令
语音模式：语音控制代理会话

6.2 代码智能优化

Cursor优化了Language Server Protocols（LSP）以提升Python和TypeScript项目的诊断和导航速度，降低Composer 1与大型仓库交互或多文件更新时的延迟。

七、开发背景与争议

7.1 原型发展：Cheetah

Composer 1的开发源于内部原型Cheetah，主要用于测试低延迟推理。Cheetah的成功验证了“快速代理体验”的价值，用户反馈将其描述为“外星科技”。Sasha Rush表示：“Cheetah是模型的v0版本，主要用于测试速度。根据指标，Composer 1保持了相同的速度，但智能水平大幅提升。”

7.2 基础模型争议

Composer 1发布后，关于其基础模型的来源引发了讨论。部分用户发现Composer 1在推理过程中会输出中文内容，且使用的分词器与DeepSeek相同。这引发了关于Composer 1是否为“套壳”中国开源模型（如智谱GLM或DeepSeek）的讨论。

在Hacker News上面对“Composer是否基于现有开源基础模型微调”的直接提问时，Sasha Rush回应：

“我们的主要精力集中在RL后训练上。我们认为这是让模型成为强大交互代理的最佳方式。”

关于早期预览模型Cheetah基于xAI Grok的传言，Rush明确表示“完全不属实”。

Composer 1 Benchmark Details

Benchmark Results

Benchmark Results

AI Agent - 工具使用

编程与软件工程

Sources