В марте 2026го Cursor объявил то, что многие ждали и чего боялись одновременно: собственная модель для программирования Composer 2 по результатам бенчмарков обошла Claude Opus 4.6 и при этом вышла на рынoк с существенным снижением цен — настолько глубоким, что в индустриальном жаргоне это уже не «урезание по талии», а «отсечение по щиколотку». Но важнее не только цифры — а новая методика обучения, которая решает ключевую проблему длинных многошаговых задач.

Composer 2 — целевая модель Cursor для задач программирования и agentworkflow. По заявлению компании, модель показала существенный прогресс на профильных наборах тестов (включая TerminalBench 2.0 и SWEbench Multilingual), став сопоставимой или выше Opus 4.6 в критичных сценариях, связанных с управлением терминалом и многопоточными инженерными задачами.

Одновременно Cursor выпустил вариант Composer 2 Fast — оптимизированный по скоростям отклика. Ключевые коммерческие параметры (объявленные Cursor):

Composer 2: вход (input) — $0.5 / 1M tokens, вывод (output) — $2.5 / 1M tokens.

Composer 2 Fast: input — $1.5 / 1M tokens, output — $7.5 / 1M tokens.

Такая политика ценообразования делает Composer 2 крайне привлекательным для сценариев с огромным потреблением токенов — например, agentавтоматизаций, непрерывных CIзадач или OpenClawэкспериментов, где расход токенов взлетел экспоненциально.

Главная новация не в инженерных трюках при инференсе, а в способе обучения — Cursor внедрил методику, которую можно кратко описать как RL с поощрением за качественные selfsummary:

Модель периодически прерывает длительный поток и генерирует «этапный» конспект текущего контекста (короткая, сжатая сводка + состояние планирования).

Эти «заметки» используются как сжатый контекст для последующих шагов, а качество сводки включается в целевую функцию (reward) в процессе RL: хорошая сводка → выше вероятность успеха → положительная награда.

В результате модель учится не просто резюмировать текст, а выделять именно те куски информации, которые критичны для успешного продолжения длинных многошаговых задач.

Эта идея решает классическую проблему «забывания» в длинных сессиях: вместо слепой компрессии или дорогостоящего сохранения всего контекста модель выбирает, что сохранить, и делает это как часть обучаемого поведения. По заявлениям Cursor, в тестах метод позволил сократить итоговый токенрасход до ≈1/5 по сравнению с традиционной схемой свёртки/сжатия, при этом снизив ошибки примерно на 50%.

Cursor приводит пример, где Composer на ~170ти итерациях справился с задачей портирования/сборки кода (сложный longrunning сценарий, включающий компиляцию, отладку и повторные правки), свёрнув из >100k tokens в ~1k — и продолжил работу до решения. Это демонстрирует, что метод действительно улучшает устойчивость моделей в длинных рабочих процессах (agents, automated devflows).

Cursor уже намекает на Composer 3 и продолжает быстрый цикл исследований. Если метод selfsummary окажется общепринятым, мы увидим:

массовое удешевление agentпродуктов;

рост инструментов «длительного выполнения» (longrunning automation) в разработке и на предприятии;

усиленную гонку по RLприборам и методам памяти/компрессии у других вендоров (как коммерческих, так и открытых).

Итог

Composer 2 — это не просто ещё одна «лучше и дешевле» модель. Это сигнал: архитектуры обучения начинают целенаправленно решать проблемы длительных, многошаговых рабочих потоков, одновременно делая эти потоки экономически жизнеспособными.

Для разработчиков и компаний это означает ускоренную автоматизацию, для провайдеров — новый виток ценовой и технологической конкуренции, а для экосистемы — усиленную полемику о публичности и контроле над ключевыми методами обучения.

Источник заявлений Cursor и живые реплики в ленте: mntruell, Cursor.