Wie wir die Modellqualität in Cursor vergleichen

Wir nutzen einen hybriden Online-Offline-Eval-Prozess, damit unser Verständnis der Modellqualität mit dem übereinstimmt, was Entwickler tatsächlich tun.

Implementierung einer sicheren Sandbox für lokale Agents

Wie wir Agent-Sandboxing auf macOS, Linux und Windows implementiert haben, um Unterbrechungen zu reduzieren und gleichzeitig die Sicherheit zu verbessern.

Einführung von Composer 1.5

Verbesserte Reasoning-Fähigkeiten bei anspruchsvollen Programmieraufgaben durch über 20-fache Skalierung von RL.

Auf dem Weg zu selbstfahrenden Codebasen

Heute stellen wir einen Teil unseres Multi-Agent-Forschungs-Harnesses als Vorschau zum Ausprobieren zur Verfügung.

Große Codebasen sicher indizieren

Durch die sichere Wiederverwendung des bestehenden Index eines Teammitglieds verkürzen wir die Zeit bis zur ersten Abfrage bei den größten Repos von Stunden auf Sekunden.

Einen besseren Bugbot bauen

Wie wir eine benutzerdefinierte, KI-gestützte Metrik genutzt haben, um Bugbot systematisch zu verbessern.

Skalierung langfristig autonomer Programmierung

Wir haben damit experimentiert, Coding-Agents über Wochen hinweg autonom laufen zu lassen.

Dynamische Kontextentdeckung

Mit der Verbesserung der Modelle als Agents haben wir Erfolg damit, anfangs weniger Details bereitzustellen, sodass es dem Agenten leichter fällt, relevanten Kontext selbst zu finden.

Die Produktivitätsauswirkungen von Coding-Agents

Eine neue Studie der University of Chicago zeigt, dass Unternehmen 39 % mehr PRs mergen, nachdem Cursors Agent zur Standardeinstellung wurde.

Verbesserung des Agents mit semantischer Suche

Semantische Suche verbessert die Leistung von Coding-Agents deutlich mit 12,5 % höherer Genauigkeit, erhöht die langfristige Übernahme von Codeänderungen und verringert unzufriedene Nutzeranfragen.