Canopy.
Développement Web · 6 min de lecture

Cursor Composer 2.5, un modèle de code entraîné sur la base Kimi K2.5

En bref

Cursor a construit Composer 2.5 sur le modèle open source Kimi K2.5 de Moonshot AI et l'a entraîné sur 25 fois plus de tâches synthétiques. Les scores publiés à ce jour concernent encore Composer 2.

Mis à jour le Par
  • cursor
  • kimi
  • composer 2.5
  • coding agent
Cursor Composer 2.5, un modèle de code entraîné sur la base Kimi K2.5

Cursor a présenté Composer 2.5, la nouvelle version du modèle qui exécute les tâches de code dans son éditeur. L'annonce repose sur trois éléments. Le modèle part de Kimi K2.5, un modèle open source de Moonshot AI. Il a été entraîné par renforcement sur 25 fois plus de tâches synthétiques que la version précédente. Pendant cet entraînement, il a reçu des retours à chaque étape d'une tâche, alors que ce retour n'arrivait jusque-là qu'à la fin.

Cursor n'a pas encore publié de résultats de benchmark pour Composer 2.5. Les seuls chiffres disponibles sont ceux de Composer 2, repris plus bas.

Kimi K2.5, une base open source

Kimi K2.5 est développé par Moonshot AI. Il est connu pour ses résultats en code, en raisonnement et sur les contextes longs. Un agent de code a besoin de ces deux dernières qualités, puisqu'il doit lire un dépôt de plusieurs dizaines de milliers de lignes, repérer les fichiers concernés, planifier les modifications, lancer des commandes dans le terminal, lire les erreurs et corriger.

En partant d'un modèle existant, Cursor n'a pas à entraîner un modèle généraliste depuis zéro. L'équipe consacre son travail à la spécialisation en génie logiciel, qui passe par l'apprentissage par renforcement, les tâches synthétiques et les retours en cours de tâche. Composer 2.5 est donc un produit mixte. Les poids de départ sont publics, la couche d'entraînement ajoutée par Cursor ne l'est pas.

Si l'origine du modèle entre dans vos critères de choix, la licence publiée par Moonshot AI précise les conditions d'usage commercial et de redistribution de Kimi K2.5.

25 fois plus de tâches synthétiques

Une tâche synthétique est un exercice fabriqué pour imiter un problème de code. On introduit un bug dans un fichier et le modèle doit le localiser puis proposer un correctif. On modifie une API dans un module et on vérifie que le modèle adapte tous les fichiers qui l'appellent. Ces exercices se produisent en grande quantité, ce que les exemples collectés dans des projets existants ne permettent pas.

Cursor indique avoir entraîné Composer 2.5 sur 25 fois plus de ces tâches que la version précédente. Le modèle rencontre ainsi davantage de types de bugs, de structures de dépôt, de chaînes de dépendances et de configurations de test. Il voit aussi plus de cas limites, comme un import circulaire, un fichier de configuration mal placé ou un test qui dépend d'une variable d'environnement absente.

Ce volume sert surtout à travailler la reprise après un échec. Beaucoup de modèles de code butent sur les tâches longues parce qu'ils s'arrêtent ou tournent en boucle dès qu'une étape intermédiaire échoue. L'entraînement leur apprend à constater l'échec, à lire le message d'erreur et à proposer une correction avant de poursuivre.

Un retour à chaque étape de l'entraînement

Dans un entraînement par renforcement classique, le modèle reçoit une récompense ou une pénalité une fois la tâche terminée. En cas d'échec, il sait qu'il s'est trompé sans savoir à quelle étape. Cursor a ajouté des signaux intermédiaires. Le modèle reçoit un retour après chaque sous-étape, par exemple après la modification d'un fichier, le lancement d'un test ou la lecture d'une sortie d'erreur.

L'intérêt porte sur les tâches de dix à vingt étapes. Découper un service backend en trois modules suppose de créer des fichiers, de déplacer des fonctions, d'adapter les imports, de mettre à jour les tests et de vérifier que le serveur démarre. Un modèle qui n'est évalué qu'à la fin ne peut pas rattacher l'échec à l'une de ces opérations. Avec des retours intermédiaires, il apprend à repérer un import incorrect au moment où il l'écrit et à le corriger avant de continuer. L'effet attendu est une baisse du nombre de relances nécessaires pour arriver à une solution correcte.

Les scores publiés portent sur Composer 2

Faute de chiffres officiels pour la version 2.5, ceux de Composer 2 donnent le point de départ. Cursor a publié trois séries de résultats.

  • Sur CursorBench, le benchmark interne de Cursor, Composer 2 obtient 61,3 points, contre 44,2 pour Composer 1.5 et 38,0 pour Composer 1. Ce test mesure la résolution de tâches de code dans des dépôts indexés, avec des outils de recherche, d'édition et de test.
  • Sur Terminal-Bench 2.0, qui évalue l'usage du terminal, du shell et de l'outillage, Composer 2 atteint 61,7 points, contre 47,9 pour Composer 1.5 et 40,0 pour Composer 1.
  • Sur SWE-bench Multilingual, qui consiste à corriger de vrais bugs dans de vrais dépôts GitHub, Composer 2 obtient 73,7 points, contre 65,9 pour Composer 1.5 et 56,9 pour Composer 1.

Cursor affirme aussi que Composer 2 génère du code quatre fois plus vite que des modèles comparables. Dans un éditeur, ce délai pèse autant que la qualité du résultat, car une attente trop longue à chaque proposition interrompt le travail en cours.

Composer 2 est facturé 0,50 $ par million de tokens en entrée et 2,50 $ en sortie.

Cursor parmi les autres assistants de code

GitHub Copilot occupe la complétion en ligne et le chat dans l'IDE, avec une diffusion large par GitHub et VS Code. Claude Code, d'Anthropic, est utilisé pour le raisonnement et les tâches longues, depuis le terminal. Gemini Code Assist est l'offre de Google. Windsurf et Codeium proposent des agents de code dans l'IDE. Qwen Coder, d'Alibaba, et GLM, de Z.ai, sont des modèles à poids ouverts.

Cursor est un éditeur à part entière, construit sur VS Code. Il indexe le code du projet, affiche les modifications sous forme de diffs et laisse le développeur les approuver une à une. Le produit est conçu pour les travaux qui touchent plusieurs fichiers à la fois, comme le refactoring d'un module, une migration de framework ou la correction d'une série de bugs.

Ce que le modèle ne dispense pas de faire

Composer 2.5 reste un modèle probabiliste. Il peut écrire du code incorrect, oublier un cas limite ou retenir une solution médiocre. La relecture des diffs, les choix d'architecture et les tests en conditions réelles restent à la charge de l'équipe.

Un code très spécifique lui pose plus de difficultés. Un framework maison, des conventions de nommage inhabituelles ou des dépendances internes complexes ont peu d'équivalents dans ses données d'entraînement. Il faut alors lui fournir plus de contexte, documenter les conventions et suivre son travail de plus près.

Cursor indexe le code du projet pour améliorer ses suggestions. Des options de configuration permettent d'exclure des fichiers ou des dossiers, et c'est à vous de vérifier que les clés API, les secrets et les données clients n'y figurent pas.

La facturation se fait au volume de tokens. Une équipe qui confie beaucoup de tâches à l'agent a intérêt à suivre sa consommation et à fixer un budget par équipe ou par projet.

Un projet en tête ?

Discutons du vôtre.

Web, mobile, IA ou SEO : on revient sous 48 heures avec une première lecture.

L’auteur

Simon Duchène dirige Canopy, agence SEO et GEO basée à Bordeaux. Il pilote les audits et le conseil SEO, la stratégie de visibilité sur Google et dans les moteurs IA, et le développement des sites et des serveurs MCP que l’agence livre. Il suit de près les protocoles du web agentique, dont MCP, ACP, UCP et WebMCP.