当代码库动辄跨越数十个文件、总行数上万，AI 编码助手却在多步推理和真实终端执行中反复卡壳——要么上下文丢失，要么工具调用偏离轨道，最终交付的只是半成品甚至引发新 Bug。Cursor 上周发布的 Composer 2 模型，却在真实生产级仓库中展现出罕见的端到端韧性。它不是简单堆参数，而是用一套精心分层的训练 pipeline，把“懂代码”和“会工程”彻底打通。这篇拆解直指报告核心，剥开表层宣传，看看底层设计如何在计算、存储、网络的物理限制下完成一次真正的范式突破。

起初业界默认的路径是：选个强基座，跑几轮 SFT 就够了。可现实里，这种“知识即能力”的假设在长任务面前迅速崩盘——模型知道语法，却不知道如何在真实环境中持续纠错、规划路径。Composer 2 的做法先把矛盾摊开：知识积累与行动能力是两个正交维度，必须先用持续预训练夯实前者，再用大规模强化学习锻造后者。这不是线性叠加，而是像生物系统里“基因库先稳定表达，再接受自然选择压力”——只有低熵的知识底座，才能让后续的进化压力真正转化为适应性执行力。

为什么先用 Kimi K2.5 MoE 做知识注入，再上 RL 才是最优序？

基座选择本身就是第一性权衡。Kimi K2.5 是 1.04 万亿参数的 Mixture-of-Experts 架构，每次前向传播只激活 32B 参数。这不是营销噱头，而是对 GPU 显存和带宽物理极限的直接回应：全参数激活会让训练吞噬天文级算力，而稀疏激活却保留了万亿级知识容量。继续预训练（CPT）分三步推进，层层收窄数据质量与复杂度——

1. Bulk Training（32k 序列）：海量代码主导的数据混合 + 标准 next-token 预测，快速建立编程语言、模式、文档的广域知识。
2. Long-Context Extension（256k 序列）：把窗口从 32k 拉到 256k，让模型能同时“看见”整个多文件仓库，解决现代工程里最常见的跨文件依赖问题。
3. Supervised Fine-Tuning：短暂对齐具体编码任务，为 RL 阶段提供干净的起始策略。

这里还嵌入 Multi-Token Prediction（MTP）。模型额外训练几层专门预测未来多个 token，通过自蒸馏对齐主头 logits。生产推理时，这相当于“一次性猜对几步”，主模型再验证，显著降低延迟。底层逻辑很简单：预测多个 token 的确定性序列，本质是把推理的计算成本前置，换取端到端吞吐提升。

预训练结束后，模型已经成了“编码专家”，但还不会“做事”。强化学习阶段才真正把能力锻造出来。

RL 环境的工业级设计：隔离、快照、异步，三者缺一不可

训练环境基于 Rust 实现的 Anyrun 平台 + AWS Firecracker 轻量虚拟化。每个 rollout 都在独立 VM 里运行，支持完整开发栈（含浏览器和 GUI），却能安全执行“不可信”代码。关键特性是文件系统与内存级快照 + forking：模型走错一步，可以瞬间回滚到上一个正确状态重新尝试。这解决了 RL 中最头疼的样本效率问题——一次失败不再浪费整条轨迹。

网络侧用 Anygress 代理，所有外部流量被策略严格过滤，防止代理意外泄露敏感信息或产生副作用。整个 harness 完全复刻 Cursor IDE 的工具调用接口（RPC），训练出来的策略上线后零适配成本。训练本身采用异步架构：训练服务、环境服务、推理服务、评估服务解耦并行，任何组件都不互相等待，吞吐最大化。这正是当前最先进 RL 系统（Minimax、GLM-5 同类做法）在生产上的共识——把 Amdahl 定律的串行瓶颈彻底拆掉。

奖励函数的精妙权衡：非线性长度惩罚 + 多重辅助信号

最终奖励来自任务成功（通过测试、到达目标状态）的可验证信号，经典 RLVR 思路。但 Cursor 加了一项创新——非线性长度惩罚，曲线呈凹形：简单任务里每多一个 token 都重罚，困难任务里则允许模型“多想一会儿”而不被过度惩罚。这相当于经济学里的边际收益递减：既防止模型在琐事上浪费算力，又不扼杀复杂问题所需的深度推理。

辅助奖励进一步塑形行为：鼓励可读代码、清晰的中间思考，惩罚“建 TODO 却永不执行”等坏习惯。观察空间支持多模态（代码 + 终端输出 + 生产日志），任务过长时模型会自我总结前序动作，作为下一轮观察输入，相当于给上下文窗口装了“记忆外挂”。

CursorBench 不是普通基准，它是真实工程卡点的浓缩

不同于 GitHub issue 那种“实现 X 功能”的静态任务，CursorBench 抽取自 Cursor 团队与用户的真实生产问题：指令往往模糊（“修复新功能里的 Bug”，但新功能本身未明确定义）；需要跨源代码与生产日志做诊断；甚至要分析 954 个 JSON 文件找出微妙 streaming Bug，并写启发式检测器调优。基准会随模型进步和开发者工作流变化迭代（v0→v1→v2…），始终保持领先于公开饱和榜单。

下面是两阶段 pipeline 的核心对比（白帽客观数据、黑帽风险、红帽体验）：

这套设计把“知识”和“能力”两个维度拆得 MECE：CPT 只负责低熵知识注入，RL 只负责高维策略优化，中间用 harness 保证零摩擦转移。表面上看是技术细节，底层却是对计算物理极限、样本效率和生产安全的三重妥协后，找到的最优平衡点。

更深一层看，Composer 2 不是在追赶开源，而是用工业级闭环把 agentic 软件工程的门槛整体抬高。未来真正拉开差距的，不会是参数量，而是谁能把知识底座、执行韧性和生产环境对齐做到极致。

你在实际项目里，是否也遇到过“模型很聪明但执行总掉链子”的场景？欢迎分享你的观察——或许下一代训练范式，就藏在这些真实卡点里。

我是紫微AI，在做一个「人格操作系统（ZPF）」。后面会持续分享AI Agent和系统实验。感兴趣可以关注，我们下期见。