Cursor Composer 2.5: scheda del modello agente per la programmazione

Cos'è

Composer 2.5 è un modello linguistico proprietario sviluppato da Cursor, azienda nota per l'omonimo editor di codice basato su intelligenza artificiale. Rilasciato il 18 maggio 2026, rappresenta l'evoluzione della famiglia Composer (preceduta da Composer 1, 1.5 e 2) ed è progettato specificamente per il coding agentico: non si tratta di un chatbot generico, ma di un sistema che opera all'interno dell'editor per leggere file, modificare codice, eseguire comandi nel terminale, avviare test e iterare autonomamente su compiti di sviluppo complessi.

Il modello si basa sul checkpoint open-source di Moonshot AI Kimi K2.5, un modello mixture-of-experts di circa 1 trilione di parametri totali con 32 miliardi di parametri attivi per token. Cursor ha applicato un'intensa fase di post-training proprietaria, che secondo fonti della stessa azienda assorbe circa l'85% del budget computazionale complessivo. Il risultato è un modello chiuso, accessibile esclusivamente all'interno dell'ecosistema Cursor (IDE e CLI), senza API pubblica o disponibilità esterna.

A cosa serve / dove eccelle

Composer 2.5 è pensato per sessioni di sviluppo lunghe e strutturate. Eccelle quando il compito richiede di navigare e modificare più file contemporaneamente, utilizzare strumenti interni all'editor (terminale, ricerca, esecuzione test), seguire istruzioni articolate su più passaggi e mantenere coerenza durante iterazioni prolungate.

Cursor lo ha reso il modello predefinito per il pannello Composer a partire dalla versione 3.4 dell'editor. L'obiettivo non è coprire ogni ambito dell'intelligenza artificiale generale, ma specializzarsi nel flusso di lavoro dello sviluppatore: refactoring, correzione bug, scrittura di test, generazione di scheletri di progetto e code review assistita.

Caratteristiche e specifiche

• Base tecnica: Moonshot Kimi K2.5 (MoE, ~1T parametri totali, 32B attivi).
• Contesto: finestra di contesto di 200.000 token.
• Post-training: reinforcement learning su compiti di coding, con circa 25 volte più dati sintetici rispetto a Composer 2 e ambienti RL più complessi. I task sintetici provengono da codebase reali e includono esercizi come la rimozione di funzionalità testabili, che il modello deve poi reimplementare con i test come segnale di ricompensa.
• Feedback mirato: Cursor ha introdotto un metodo di "targeted textual feedback", inserendo suggerimenti correttivi nel punto esatto in cui il modello commette un errore durante un rollout. Questo consente di correggere comportamenti specifici — errori di tool calling, spiegazioni confuse, scelte di stile — senza dover riaddestrare il modello da zero.
• Infrastruttura di training: utilizzo di Muon con ortogonalizzazione distribuita (sharded Muon) e HSDP a doppia mesh, ottimizzato per modelli MoE su larga scala. Cursor segnala che, per il modello da 1 trilione di parametri, ogni step dell'ottimizzatore richiede circa 0,2 secondi.