Cursor自研模型反超Opus 4.6 价格直接打到脚踝 AI编程开始拼长期任务了

写在前面

这两个月 AI 编程圈有个很明显的变化：大家已经不太满足于“补全更快一点”“回答更聪明一点”了，真正开始拉开差距的，是谁能把一个很长、很复杂、要反复试错的软件任务一路做完。

所以 Cursor 这次放出来的新东西，值得你认真看一眼。它不是单纯说“我们家模型更强了”，而是同时打了两张牌：一张是性能，一张是成本。更狠的是，它还顺手把自己的训练方法一起讲了出来。

如果你平时就在用 Claude Code、Cursor、Codex 这类工具写代码，那这事跟你不是“行业新闻”的关系，而是很现实的问题：以后你挑 AI 编程工具，到底该看什么？是 benchmark 分数，还是长任务不掉链子的能力？是单次最强，还是长期最划算？

AI 编程的下一轮分水岭：不是更会写，而是更能“持续做”

Cursor 这篇更新里最值得注意的，不是“超过 Opus 4.6”这句口号本身，而是它背后透露出的方向：

• 过去比的是模型会不会写代码；
• 现在比的是模型能不能在终端、仓库、编译、调试、反复修错的长链条里一直不跑偏；
• 再往后，比的就是谁能把这件事做得又强又便宜。

原文一上来就把气氛拉满：Cursor 说自己最新的 Composer 2，不仅能力超过 Claude Opus 4.6，而且价格还不是普通降价，而是直接“脚踝斩”。

这话为什么会让开发者特别敏感？因为 2026 年以来，整个大模型行业都在面对一个现实：Token 消耗量飙升。尤其 AI 编程场景一火，长上下文、多轮交互、自动调试、终端操作，全都在吃 token。模型公司和云厂商普遍在涨价，谁能在这个时候把价格反着打下来，说明它不是单纯做了市场动作，而是底层能力或者训练方式真有变化。

换句话说，这次不是“又发了个新模型”这么简单，而是 Cursor 在告诉外界：AI 编程模型已经进入既拼上限、又拼单位成本的阶段。

Composer 2 到底强在哪：先看成绩，再看价格

Cursor 先公布的是已经上线的 Composer 2。它给这款模型的定位很直接：专门为编程场景优化，而且核心目标不是一味追求最贵最猛，而是追求“智能与成本的最优组合”。

能力层面，Cursor 给出的说法是：Composer 2 在它们衡量的所有基准测试上都有明显提升，重点点名了两个对开发者特别有参考价值的指标：

• Terminal-Bench 2.0：更偏向真实 Agent 在终端里执行操作的能力；
• SWE-bench Multilingual：更接近多语言软件工程任务的修复与实现能力。

这两个 benchmark 为什么值得看？因为它们比传统“会不会补全一段代码”更接近今天 AI 编程工具的真实工作流。你不是只要一个会写函数的模型，你要的是一个能读仓库、跑命令、看报错、改代码、继续迭代的 Agent。

原文里提到，在 Terminal-Bench 2.0 上，Composer 2 的表现已经来到了 GPT-5.4 和 Claude Opus 4.6 之间。

而且 Cursor 还给了一张自家模型演进图，想表达的意思也很明确：Composer 系列不是偶然蹦出来一次，而是在持续往上迭代，速度还越来越快。

接下来就是这次最刺激市场的部分——定价。

标准版 Composer 2 的价格是：

• 输入：0.5 美元 / 百万 tokens
• 输出：2.5 美元 / 百万 tokens

Cursor 的原文措辞很夸张，但意思不难懂：和 Claude Opus 4.6 这类高端模型比，这个价格确实已经不是普通意义上的打折了。

更进一步，Cursor 还给了一个默认更快的变体：Composer 2 Fast。它的智能水平被描述为相近，但响应速度更快，价格是：

• 输入：1.5 美元 / 百万 tokens
• 输出：7.5 美元 / 百万 tokens

这很像什么？很像 AI 编程产品开始做真正意义上的产品分层：

• 如果你要更便宜的大规模调用，用标准版；
• 如果你更看重日常交互速度，用 Fast 版；
• 重点不再只是“最强模型是谁”，而是“什么场景该用哪个档位最划算”。

与此同时，Cursor 也明确说了，自己能把性能和价格同时做到这个位置，靠的不是 prompt 技巧，而是一套新的强化学习方法。

真正的关键，不是“更聪明”，而是学会给长任务做笔记

这次 Cursor 最值得开发者研究的，其实是第二部分：它把自己的一种新训练思路公开讲出来了。你可以把它理解成——让模型学会在超长任务中给自己做阶段性笔记，然后带着这些笔记继续往下干。

这个思路为什么重要？因为今天大多数 AI 编程助手，在短任务里已经都不算差了。真正一上强度，问题就来了：

• 任务跨度太长；
• 中间步骤太多；
• 代码、日志、编译结果、计划状态混在一起；
• 上下文窗口再大，也总有装不下的时候。

于是行业里常见的做法，大致有三类：

1. 普通摘要：聊到一定长度后，做一次总结再继续；
2. 滑动窗口：直接把更早的上下文丢掉；
3. 潜在空间压缩：把上下文压成向量，而不是保留成文本。

这些方法都不是没用，但都有同一个隐患：你在压缩的时候，可能把真正关键的信息也一起弄丢了。 一旦丢的是“为什么刚才这么改”“下一步原计划是什么”“这个 bug 试过哪些解法”，模型后面就很容易越做越偏。

Cursor 的做法是，把“总结能力”本身也纳入训练目标。不是被动压缩，而是主动让模型在合适的时机停下来，给自己写一段能继续接力的总结。

原文给出的流程大致是：

1. Composer 先持续处理当前任务；
2. 到达固定 token 触发点后，插入一个合成查询，让模型总结当前上下文；
3. 给模型一小段草稿思考空间，组织出最好的阶段总结；
4. 后续再拿这份压缩后的上下文继续做，里面不仅有总结，还包含规划状态、剩余任务、总结次数等执行状态。

这件事最关键的一点在于：它不是临时技巧，而是训练出来的能力。

在强化学习阶段，好的总结会带来更高的任务完成率，于是得到更高奖励；如果总结把关键信息丢了，后面的任务更容易失败，就会被惩罚。久而久之，模型就会学会一件事：到底什么信息必须留下，什么信息可以丢。

这很像一个成熟工程师写交接文档。不是把所有聊天记录一股脑贴上去，而是知道哪几条决策、哪几个坑、哪几个剩余事项，才是后面继续干活真正需要的。

这种方法到底值不值：Cursor 给了两个很有说服力的例子

第一个例子，是它拿传统摘要法和 self-summary 机制做对比。

按照原文说法，在一组高难度软件工程任务里，传统摘要法为了让模型继续做事，往往需要一大段专门的摘要提示词，而且压缩结果本身仍然很长，平均要 5000+ tokens。但 Composer 这套方法里，触发总结的提示很简单，甚至可以只是“Please summarize the conversation”，最终压缩结果平均只有 1000 tokens 左右。

结果是什么？同样的任务里，它的 token 消耗大约只有传统方案的 1/5，而且压缩引入的错误还能再降大约 50%。

这个结果的价值很直接：

• 压得更短，意味着更便宜；
• 保留的信息更关键，意味着更稳；
• 同时做到这两点，才有机会在真实开发场景里把长任务跑完。

第二个例子更狠。Cursor 拿了一道很经典、也非常折磨 Agent 的任务来测试：把 Doom 跑在 MIPS 架构上。

这类任务为什么难？因为它不是“写一个函数”这么简单，而是要你持续读代码、改代码、编译、调试、看运行结果，再继续修。它天然就会把上下文拉得很长，中间还充满试错。

按照 Cursor 的说法，Composer 在 170 轮交互 后找到了精确解法，而且在这个过程中，把 10 万+ tokens 的历史上下文持续压缩到大约 1000 tokens 级别，还能把关键信息一路传下去。

这件事对 AI 编程工具意味着什么？意味着未来真正厉害的 Agent，可能不是“第一轮回答最惊艳”的那个，而是第 120 轮还记得自己为什么这么改、下一步该去哪里验证的那个。

Cursor 后面还提到，Composer 3 的消息也已经开始往外放了，说明它们并不想把 Composer 当成一次性的功能点，而是当成一条模型产品线在推进。

同时，Cursor CEO 也给出了一个挺有代表性的判断：Cursor 这种公司，已经很难简单归类成“纯应用公司”或者“纯模型公司”了。

这句话其实挺能代表当下行业状态。AI 编程产品正在变成一个新的混合体：上面是 IDE、Agent、工作流，下面是模型、训练方法、推理与成本控制。以后你看到的头部工具，越来越可能既做产品，也做模型。

这波消息对开发者真正有啥影响？

如果你平时只是把 AI 当成问答工具，这条新闻看完可能就是一句“哦，Cursor 又发模型了”。

但如果你已经开始用 AI 真正写代码、改项目、跑终端、做多文件修改，那这件事的含义很大。

1）Benchmark 以后不能只看单点成绩

Terminal-Bench、SWE-bench 这类指标依然重要，但更重要的是：模型在长链条任务里会不会掉线、会不会遗忘、会不会因为压缩上下文而把关键状态丢掉。

2）成本会越来越成为核心竞争力

AI 编程一旦进入高频使用阶段，价格不是锦上添花，而是直接决定你能不能长期开着用。一个模型哪怕只比别人便宜一点，乘上每天的大量终端操作、多轮交互、自动修 bug，最后都是实打实的差距。何况 Cursor 这次不是便宜一点点。

3）“会总结自己”可能会成为下一代 Agent 的标配

过去我们强调上下文窗口越大越好，现在看，光大还不够，关键是怎么在长任务里保真地压缩。 谁能把“阶段性自我总结”做成稳定能力，谁就更有机会在真实软件工程里赢下来。

Claude Code 到底是什么？为什么大家会拿它当参照物？

这次 Cursor 之所以会引发这么大讨论，一个重要原因就是它拿来对比的对象里，有 Claude Opus 4.6。而在开发者圈里，很多人真正日常在意的，并不是某个抽象模型名，而是：它在 Claude Code 这种 Agent 形态里到底能不能打。

Claude Code 不是传统意义上的代码补全插件，它更像一个终端里的自主编程 Agent。你给它一个任务，它能自己去读文件、执行命令、跨文件修改、跑测试、看错误、继续修，直到把任务推进下去。

这类工具真正吃模型能力的地方，不在“会不会写一段函数”，而在：

• 能不能理解整个代码库；
• 能不能在多轮交互里保持方向；
• 能不能处理终端和工程环境里的真实噪音；
• 能不能把复杂任务拆解后一步步做完。

也正因为这样，Cursor 这次强调“长任务压缩”和“self-summary 训练”，才会让开发者特别关注。因为它瞄准的，正是 Claude Code 这类产品最核心的战场。

官方订阅这边，如果你想高频使用 Claude Code，一般会关注 Anthropic 的 Max 档位或 API 方案。对重度开发者来说，这类官方能力当然最直接，但说实话，国内用户在支付和网络环境上一直不算轻松。如果你嫌这些环节太折腾，想找个更省事的方式，可以看看 Code80，用 endpoint 方式接入 Claude，日常在本地开发环境里会顺手很多。详情可以到官网了解：code.ai80.vip

常见问题

Q1：Composer 2 这次最值得关注的到底是什么？

A：不是单一 benchmark 分数，而是它把“长任务里的上下文压缩”单独拎出来做成了训练能力。这对真实软件工程场景的意义，比普通问答模型提升要大得多。

Q2：self-summary 和普通摘要有什么区别？

A：普通摘要更像外部给模型做压缩，self-summary 则是把“什么该保留、什么能丢”训练进模型本身。前者能用，后者更像能力内化。

Q3：为什么 Terminal-Bench 2.0 这种指标越来越重要？

A：因为 AI 编程工具正在从“写几行代码”变成“在终端里持续完成任务”。谁能稳定处理命令、报错、调试、回归，谁才更接近真正的 Agent。

Q4：Cursor 这次是不是说明 Claude 系模型不行了？

A：还不能这么下结论。一个模型在线上产品里的实际体验，除了基座能力，还和工具形态、上下文工程、Agent 编排、价格策略都有关系。但可以确定的是，竞争已经从“谁更会答题”升级成“谁更适合长期干活”。

Q5：国内如果想更稳定地用 Claude Code，有没有省事一点的方式？

A：如果你不想自己反复折腾支付和网络，可以通过 Code80 这类方式更方便地接入 Claude，把精力放回开发本身。