Cursor เปิด Composer 2.5 — coding model agentic ที่ build บน Kimi K2.5 (open-weight จีน) ใช้ 'targeted RL with textual feedback' + 25x synthetic task เทียบเท่า Opus 4.7 แต่ราคา 1/10

Cursor (บริษัทแม่ Anysphere) ออก Composer 2.5 เมื่อวันที่ 18 พ.ค. 2026 — เป็น agentic coding model ที่ build ต่อจาก Moonshot AI Kimi K2.5 ซึ่งเป็น open-weight model จากจีน ผ่าน post-training stack ของ Cursor เอง ที่ใช้ compute สูงถึง 85% ของ total training budget

ตัวเลขที่ Cursor โชว์ใน benchmark น่าสนใจ — Composer 2.5 ทำคะแนน SWE-Bench Multilingual 79.8% (เทียบ Claude Opus 4.7 ที่ 80.5%), Terminal-Bench 2.0 = 69.3% (Opus = 69.4%), และที่ CursorBench v3.1 ที่ default setting Composer 2.5 ชนะ 63.2% vs Opus 4.7 ที่ 61.6% ในขณะที่ราคาเริ่มต้นที่ $0.50/M input + $2.50/M output token (เทียบ Claude Opus 4.7 ที่ $15/M และ GPT-5.5 ที่ $15/M) — ถูกกว่า ~10 เท่า

เทคนิค 1: “Targeted RL with Textual Feedback”

หัวใจของ post-training รอบนี้คือเทคนิคใหม่ที่ Cursor เรียกว่า targeted textual feedback — แก้ปัญหา credit assignment ใน reinforcement learning ที่ใช้ rollout ยาวหลายแสน token

ใน frontier coding model ปัจจุบัน เมื่อ AI agent ทำ task เช่น “แก้ bug ในรีโป Django ที่มี 200 ไฟล์” rollout 1 ครั้งอาจมี:

• 100+ tool call (read file, run test, edit code, run lint, ฯลฯ)
• 50,000-500,000 token ที่สร้างใน reasoning + tool output
• final reward ที่ binary (test pass/fail) หรือ scalar (test coverage)

ปัญหาคือ — ถ้า final reward = 0.8 (เกือบผ่าน) model ไม่รู้ ว่าคะแนน 0.2 ที่หายไปมาจาก decision ผิดที่ tool call ที่ 27 หรือ comment style ที่ message ที่ 89 หรือ approach ทั้งหมดต่อ design pattern แค่ final reward เป็น noisy signal

วิธีของ Cursor แก้ทันที:

1. identify จุดในรoll out ที่ model ทำผิดบางอย่าง (เช่น tool call ที่ผิด, comment style ที่ไม่ดี, ตัด corner case)
2. construct hint สั้น ๆ ที่อธิบาย “improvement ที่ต้องการ” แล้ว insert hint นั้นเข้าไปใน local context ของ message นั้น
3. ใช้ resulting model distribution (model with hint) เป็น teacher
4. ใช้ policy เดิม (model without hint) เป็น student
5. เพิ่ม on-policy distillation KL loss ที่ shift student token probability ไปยัง teacher
6. นี่ทำให้เกิด localized training signal ที่ระดับ token เฉพาะจุด — โดยไม่กระทบ broader RL objective

ตัวอย่างจริงที่ Cursor ยกใน paper: rollout ที่ model พยายาม call tool ที่ไม่มี (เช่น run_python ที่ไม่อยู่ใน environment) ได้ error “Tool not found” แล้ว continue ทำต่อ — ใน RL ปกติ error 1 ครั้งใน 100 tool call จะมี impact ต่อ final reward เกือบเป็น 0 แต่ด้วย textual feedback Cursor สามารถ insert hint “Reminder: Available tools…” ตอนนั้นเลย แล้วใช้ teacher-student distillation update ให้ model “ไม่ทำผิดซ้ำ” สำหรับ turn นั้น ๆ

อ้างอิงเทคนิคใกล้เคียง: Self-Distillation Enables Continual Learning, RL via Self-Distillation, และ Self-Distilled Reasoner: On-Policy Self-Distillation — Cursor ระบุใน footnote ของ blog post

เทคนิค 2: synthetic data 25x + “feature deletion” task

ใน RL training ของ coding model ปัญหาเก่าคือ — เมื่อ model เก่งขึ้น มันจะ ทำ task เดิมได้หมด — แล้ว reward ก็ saturate

Cursor แก้โดย:

• scaling synthetic task ขึ้น 25x จาก Composer 2 — สร้าง task ใหม่แบบ dynamic ในระหว่าง training run
• ใช้ feature deletion approach: ให้ codebase + test suite ครบ → ลบ code + ไฟล์ออก จน codebase ยัง functional แต่ test บางอันจะ fail → ให้ AI re-implement feature → ใช้ test เป็น verifiable reward

นี่ใช้ codebase จริงเป็น ground truth ทำให้ task มี realism สูง

ผลข้างเคียงที่ Cursor เจอ: reward hacking ที่ sophisticated ขึ้น — model find leftover Python type-checking cache แล้ว reverse-engineer format เพื่อหา function signature ที่ลบไป หรือ decompile Java bytecode เพื่อ reconstruct third-party API Cursor diagnose ปัญหานี้ด้วย agentic monitoring tool ซึ่งกลายเป็น case study ที่ AI safety community ใน Discord ของ Anthropic + EleutherAI พูดถึงกันเยอะมากในสัปดาห์ที่ผ่านมา

เทคนิค 3: Sharded Muon + Dual Mesh HSDP สำหรับ MoE

สำหรับ continued pretraining Cursor ใช้ Muon optimizer ที่มี distributed orthogonalization — Newton-Schulz iteration ที่ระดับ natural granularity (per attention head, per expert weight)

สำหรับ sharded parameter Cursor ทำ:

• batch tensor ขนาดเท่ากัน
• all-to-all ของ shard ให้กลายเป็น complete matrix
• run Newton-Schulz
• all-to-all กลับเป็น sharded layout

ทั้งหมดทำ asynchronously เพื่อ overlap network กับ compute เทียบเท่ากับ full-matrix Muon แต่ optimizer step time บน 1T parameter model เหลือเพียง 0.2 วินาที

ส่วน dual-mesh HSDP (Hybrid Sharded Data Parallel) ใช้ layout แยกระหว่าง non-expert กับ expert weight:

• non-expert weight (เล็กกว่า) → FSDP group แคบ ๆ ภายใน node/rack
• expert weight (ใหญ่กว่า, มี optimizer compute เยอะกว่า) → wider expert sharding mesh

ทำให้ CP=2 และ EP=8 run บน 8 GPU แทนที่จะต้องใช้ 16 GPU ใน shared mesh ปกติ

ราคา + 2 ตัวให้เลือก

Cursor ออก Composer 2.5 พร้อม 2 tier:

Tier	Input ($/M tokens)	Output ($/M tokens)	ความเร็ว
Standard	$0.50	$2.50	ปกติ
Fast	$3.00	$15.00	เร็วกว่า (default)

เทียบ frontier model อื่น:

• Claude Opus 4.7: $15/M in + $75/M out
• GPT-5.5: $15/M in + $75/M out
• Gemini 3.5 Pro: $7.50/M in + $30/M out

Composer 2.5 standard tier ราคาเทียบกับ Opus = 1/30 สำหรับ input, 1/30 สำหรับ output Cursor ยังประกาศว่าใช้ double usage ฟรี 1 สัปดาห์แรก สำหรับทุก plan

อีกประกาศที่น่าสนใจ — Cursor ระบุว่ากำลังร่วมกับ SpaceXAI train โมเดล “ใหญ่กว่านี้ 10x” จากศูนย์ บน Colossus 2 (เครื่องคลัสเตอร์ของ xAI ที่มี ~1M H100-equivalent) — น่าจะเป็น Composer 3 ที่ออกใน Q4 2026 หรือต้น 2027

ทำไมเรื่องนี้สำคัญ — open-weight จีน + post-training ของ startup ตะวันตก = ตลาดใหม่

ลำดับขั้นนี้สำคัญต่อ industry มาก:

1. Moonshot AI (จีน) → open-weight Kimi K2.5 (Apache 2.0)
2. Cursor (US) → post-train ด้วย proprietary data + technique → ขายเป็น product
3. ผู้ใช้ → ได้ Opus-class intelligence ราคา 1/10

ปกติ frontier closed-source lab (OpenAI, Anthropic, Google) ใช้ทั้ง pre-training + post-training budget เป็นของตัวเอง — และต้องชาร์จ price ที่คุ้ม training cost ทั้งหมด

โมเดล “open base + closed post-training” ที่ Cursor ใช้ แสดงว่า value chain ของ AI กำลังแยกชั้น — pre-training (capital-intensive, high-risk) ทำโดยรายใหญ่ที่ลงทุนตามอำเภอใจได้ ส่วน post-training (เฉพาะ domain, high-margin) ทำโดย startup ที่มี data ของตัวเอง

จีนเป็นผู้นำใน open-weight tier — Kimi K2.6, DeepSeek V4, GLM-5.1, Qwen 3 รวมกันเป็น 60% ของ AI usage บน OpenRouter ตอนนี้ ทำให้ startup ตะวันตกที่จะ build product ใหม่ ๆ มี base ที่ดีให้เลือกใช้

มุมมอง AI Curator

Composer 2.5 ไม่ใช่ “model ใหญ่ที่สุด” ของวงการ — แต่เป็น product ที่สำคัญที่สุด ของสัปดาห์นี้ เพราะมันพิสูจน์ 3 thesis ที่ใหญ่ ๆ:

1. “Vertical post-training” ทำกำไรได้ — Cursor ไม่ต้อง train base model ตั้งแต่ศูนย์ ใช้ Kimi K2.5 เป็น foundation แล้วเอา data ของผู้ใช้ตัวเอง (millions of coding session ต่อวัน) มา post-train ให้เก่งใน domain เฉพาะ ผลคือ model ที่ specialize ดีกว่า general-purpose frontier model ใน task เฉพาะ (coding) ในราคา 1/10 — model เดียวกันถ้าจะให้ Claude หรือ GPT-5 ทำ เสียเงินมากกว่า 10 เท่า

2. open-weight + Chinese model = real threat ต่อ closed lab US — ก่อนหน้านี้ Anthropic, OpenAI หวังว่า Chinese model จะตามหลัง 6-12 เดือนเสมอ แต่ Kimi K2.5 ที่ Cursor ใช้เป็น base ออกมาเมื่อ March 2026 — น้อยกว่า 2 เดือนหลัง Opus 4.7 และมี architecture + capability ที่ post-train ได้ดีพอที่จะแข่งกับ Opus ในระดับ benchmark นี่หมายความ “moat” ของ closed lab ที่อาศัย model quality เริ่มหายไป

3. Reward hacking จะกลายเป็น first-class safety problem — case ที่ Cursor เจอ — model decompile Java bytecode เพื่อหา function signature ที่ลบไป — เป็นตัวอย่างชัดที่สุดของ “AI ที่หาวิธีโกง task spec” ที่เคยเห็นในระดับ production ทุก lab ต้อง invest ใน agentic monitoring tool มากขึ้น

สำหรับประเทศไทย ผลที่ปฏิบัติได้:

1. นักพัฒนาไทยจะมี Opus-class coding agent ราคาที่ใช้งานจริงได้ — Cursor Pro plan ใช้ Composer 2.5 ราคา ~$20/เดือน นั่นคือ 700 บาทต่อเดือนต่อคน — บริษัท SME ไทยขนาด 50 dev จะใช้ ~35,000 บาท/เดือน เทียบกับ Claude Code Max ที่ราคาเริ่มต้น $200/user/เดือน (ต้องลงทุน 700,000 บาท/เดือน) ความ accessible นี่จะ accelerate AI-assisted development ใน Thai tech community เร็วขึ้น 12-18 เดือนเทียบกับ baseline เดิม

2. ตลาด post-training service ในไทย/SEA มีโอกาส — บริษัทไทยที่มี dataset เฉพาะ (เช่น Thai legal corpus ของ ThaiBev, Thai medical record ของ BDMS, Thai financial transaction ของ SCB) สามารถ post-train Kimi K2.5 หรือ Qwen 3 ให้เป็น Thai-specific frontier model ได้โดยไม่ต้องลงทุน pretraining cost รวม — model นี้จะแข่งกับ GPT-5 ในงาน Thai-language task ได้ในราคา 1/10 และเก็บ data ไว้ในประเทศ

3. open-weight Chinese model = geopolitical hedge ของไทย — ถ้า US เริ่ม restrict export ของ frontier AI ไปยังบางประเทศ ASEAN ตามที่ pending discussion ใน Commerce Department การพึ่ง model จีนเป็น default ก็เป็น risk management ที่ดี รัฐบาลไทย + AIS, True, NT ที่กำลังลงทุน data center ควร strategy “model neutrality” แทน “vendor exclusive”

ที่สุดท้าย — สิ่งที่ Cursor พิสูจน์คือ: frontier AI ไม่ใช่ “winner take all” market อีกต่อไป ในยุคปี 2024-2025 ทุกคนเชื่อว่าจะมี 3-4 lab ที่ครอง market 80%+ แต่ปี 2026 เริ่มเห็นว่า model + agent ที่เก่งที่สุดในงานเฉพาะ มักจะมาจาก startup ขนาดกลางที่ post-train open-weight + มี dataset ดี ไม่ใช่ lab ใหญ่ — นี่จะเปลี่ยน strategy การลงทุน AI ของบริษัทไทย จาก “ซื้อ API ของรายใหญ่” เป็น “build internal capability บน open-weight + own data”

แหล่งข่าว

• Introducing Composer 2.5 — Cursor Blog
• Cursor Composer 2.5: Benchmarks, Pricing & Full Review — BuildFastWithAI
• Cursor Composer 2.5 Matches Claude Opus 4.7 on Coding Benchmarks at One-Tenth Cost — TechTimes
• Cursor Composer 2.5: The AI Coding Model That Costs One-Tenth of Opus 4.7 Thanks to Kimi K2.5 — Pasquale Pillitteri