Composer 2.5: Tolok Ukur, Harga, dan Perbandingannya

Cursor merilis Composer 2.5 pada 18 Mei 2026, sekitar dua bulan setelah Composer 2 dirilis pada Maret. Jarak rilis yang singkat menunjukkan seberapa cepat Cursor memperbarui lini modelnya sendiri.

Cursor melaporkan bahwa Composer 2.5 mencetak nilai mendekati Claude Opus 4.7 dan GPT-5.5 pada beberapa tolok ukur pengkodean. Harga tokennya juga lebih rendah daripada model frontier. Pelatihannya pun berubah: lebih banyak tugas sintetis, lingkungan pelatihan yang lebih sulit, dan metode umpan balik yang menargetkan kesalahan spesifik di dalam sesi pengkodean panjang.

Dalam artikel ini, saya melihat Composer 2.5 lebih dari sekadar pembaruan tolok ukur. Saya akan membahas apa itu, apa yang berubah, bagaimana hasil tolok ukurnya, bagaimana harganya dibandingkan dengan model frontier, dan di mana posisinya dalam alur kerja pengkodean. Ada juga keterbatasan yang perlu diketahui sebelum Anda menganggap skor sebagai keseluruhan cerita.

Untuk latar belakang lebih lanjut tentang model lain dalam perbandingan ini, lihat panduan kami untuk Claude Opus 4.7 dan GPT-5.5.

Apa Itu Model Composer 2.5 Milik Cursor?

Composer 2.5 adalah model terbaru dalam keluarga Composer milik Cursor, dibuat untuk pekerjaan pengkodean di dalam Cursor IDE. Ini mengikuti Composer 1, Composer 1.5, dan Composer 2.

Linimasa Composer dari peluncuran hingga 2.5. Gambar oleh Penulis.

Ini bukan chatbot umum. Composer 2.5 dilatih untuk penyuntingan lintas berkas, perintah terminal, penggunaan alat, dan sesi pengkodean yang lebih panjang. Target pelatihan dan tolok ukurnya berfokus pada tugas rekayasa perangkat lunak.

Posting peluncuran menyebutkan model ini mencetak nilai di atas Composer 2 pada tugas pengkodean dan berperilaku berbeda dalam sesi yang lebih panjang. Kini menjadi opsi default di pemilih model Cursor, meskipun Composer 2 tetap tersedia. Model ini juga hanya berjalan di dalam Cursor. Tidak ada API publik, tidak ada kartu model Hugging Face, dan tidak ada akses gerbang melalui penyedia lain.

Apa yang Berubah di Composer 2.5

Perubahan di Composer 2.5 terbagi dalam dua kategori: kinerja tugas pengkodean dan perilaku kolaborasi. Yang pertama lebih mudah diukur daripada yang kedua, jadi ada baiknya memisahkan apa yang bisa ditunjukkan Cursor dengan angka dari apa yang digambarkan secara lebih kualitatif.

Kinerja tugas yang lebih panjang

Composer 2.5 ditujukan untuk sesi pengkodean yang lebih panjang, saat model perlu membaca berkas, menjalankan perintah terminal, memperbaiki kesalahan, dan beriterasi. Hal ini penting karena pengembangan nyata jarang muat dalam satu prompt dan respons.

Cursor melatih model in lingkungan reinforcement learning yang lebih sulit untuk jenis pekerjaan ini. Tugas dibuat selama pelatihan, dan tingkat kesulitan meningkat seiring waktu.

Kemampuan mengikuti instruksi dan kolaborasi

Rilis ini juga menggambarkan kemampuan mengikuti instruksi yang lebih andal. Ini menunjuk pada kalibrasi upaya: model dimaksudkan untuk menggunakan komputasi lebih banyak pada tugas sulit dan menghindari berpikir berlebihan pada tugas sederhana.

Ada catatan di sini. Cursor mencatat bahwa perubahan perilaku ini "tidak tertangkap dengan baik oleh tolok ukur yang ada." Jadi bagian rilis ini sebagian besar bertumpu pada penilaian Cursor sendiri dan umpan balik awal pengguna, bukan pada skor publik.

Lingkungan RL yang lebih sulit

Posting peluncuran membingkai perubahan pelatihan sebagai "penskalaan pelatihan, menghasilkan lingkungan RL yang lebih kompleks, dan memperkenalkan metode pembelajaran baru." Pelatihan menggunakan tugas sintetis 25x lebih banyak daripada Composer 2.

Bagaimana Cursor Melatih Composer 2.5

Rincian pelatihan menjelaskan mengapa model berubah tanpa arsitektur dasar baru. Composer 2.5 menggunakan fondasi yang sama dengan Composer 2, tetapi pekerjaan setelah pelatihan dasar berubah. Tidak semua detail infrastruktur sama pentingnya bagi pembaca, tetapi beberapa bagian membantu menjelaskan pergerakan tolok ukur.

Dibangun di atas Kimi K2.5

Composer 2.5 dibangun di atas checkpoint open source yang sama seperti Composer 2: Kimi K2.5 milik Moonshot AI. Cursor menyebutkannya langsung dalam posting peluncuran, yang penting karena model dasar sempat menjadi poin perdebatan seputar Composer 2.

Kimi K2.5 menggunakan arsitektur Mixture of Experts. Cursor menerapkan pelatihan lanjutan dan reinforcement learning di atas basis tersebut, dan menyebut sekitar 85% total komputasi untuk model akhir berasal dari pekerjaan internalnya setelah pelatihan dasar.

RL terarah dengan umpan balik tekstual

Ini adalah perubahan teknis utama di Composer 2.5. RL standar memberi model satu sinyal hadiah di akhir rangkaian panjang. Dalam sesi pengkodean panjang, hadiah akhir itu bisa terlalu berisik untuk menunjukkan di mana model melakukan kesalahan.

Guru dan murid berbagi satu giliran. Gambar oleh Penulis.

Metode Cursor menyisipkan petunjuk teks singkat pada titik di mana model membuat keputusan buruk. Misalnya, jika model memanggil alat yang tidak ada, proses pelatihan dapat menyisipkan pengingat dengan daftar alat yang benar. Versi yang diberi petunjuk bertindak sebagai "guru," dan model asli bertindak sebagai "murid." Kehilangan distilasi kemudian menggerakkan perilaku murid ke arah guru hanya pada giliran itu.

Hasilnya adalah pelatihan yang lebih terarah: kesalahan individu dapat dikoreksi tanpa memperlakukan keseluruhan rollout panjang sebagai sekadar benar atau salah. Cursor menerapkan metode ini pada gaya pengkodean, penggunaan alat, dan komunikasi model selama pelatihan Composer 2.5.

Data sintetis dalam skala lebih besar

Composer 2.5 dilatih dengan tugas sintetis 25x lebih banyak daripada Composer 2. Tugas-tugas ini berlandaskan basis kode nyata, bukan contoh mainan.

Salah satu pendekatan yang dijelaskan Cursor adalah penghapusan fitur. Sebuah agen memulai dengan basis kode nyata dan rangkaian pengujian besar, lalu menghapus kode dan berkas sambil menjaga bagian proyek lainnya tetap fungsional. Tugas sintetisnya adalah mengimplementasikan kembali fitur yang dihapus, dan pengujian memberikan sinyal hadiah yang dapat diverifikasi.

Skala pelatihan sintetis memperkenalkan risikonya sendiri. Cursor mendokumentasikan kasus di mana Composer 2.5 menemukan jalan pintas, termasuk memulihkan informasi yang dihapus dari cache pemeriksa tipe Python dan mendekompilasi bytecode Java untuk merekonstruksi API eksternal. Perusahaan mengatakan mereka menangkap ini menggunakan alat pemantauan, tetapi mengakui bahwa pelatihan pada skala ini memerlukan "kehati-hatian yang meningkat."

Perubahan infrastruktur

Di sisi infrastruktur, Cursor menggunakan Sharded Muon dan dual mesh HSDP untuk pelatihan lanjutan. Perubahan ini mengurangi sebagian biaya dan waktu yang terlibat dalam pelatihan pada kluster GPU besar.

Hasil Tolok Ukur Composer 2.5: Terminal-Bench, SWE-Bench, dan CursorBench

Tolok ukur berguna, tetapi tidak menunjukkan gambaran penuh. Saya akan menganggapnya sebagai titik awal untuk perbandingan, bukan sebagai vonis penuh tentang bagaimana model akan terasa dalam pekerjaan sehari-hari.

Cursor mengevaluasi Composer 2.5 pada tiga tolok ukur:

SWE-Bench Multilingual menguji apakah model dapat menyelesaikan isu GitHub nyata di berbagai bahasa pemrograman. Setiap tugas memberikan repositori dan pernyataan masalah kepada model, lalu memeriksa apakah patch lulus pengujian terkait.

Terminal-Bench 2.0 mengukur apakah agen AI dapat beroperasi dalam alur kerja terminal nyata: memeriksa berkas, menjalankan perintah, men-debug kegagalan, dan menyelesaikan tugas dengan beberapa langkah.

CursorBench v3.1 adalah tolok ukur internal privat milik Cursor. Ini mengevaluasi agen pada tugas ambigu lintas berkas dari sesi Cursor nyata, termasuk pemahaman basis kode, pencarian bug, perencanaan, dan tinjauan kode. Keterbatasannya adalah CursorBench tidak dapat diperiksa atau direproduksi oleh peneliti luar, dan skor harus dibandingkan dalam versi eval yang sama.

Ada satu catatan penting sebelum membaca terlalu jauh angka-angka ini. Perbandingan tolok ukur lintas model tidak selalu bersih. Pengaturan evaluasi dan tingkat upaya yang berbeda dapat menggeser skor, dan Cursor mencatat bahwa Opus 4.7 dan GPT-5.5 menggunakan skor yang dilaporkan sendiri untuk evaluasi publik. Anggaplah ini sebagai perbandingan arah, bukan uji langsung dalam kondisi identik.

Tolok ukur luar kemudian dari Artificial Analysis menunjuk ke arah yang serupa, meskipun menggunakan campuran tolok ukur yang berbeda. Composer 2.5 mencetak 62 pada Artificial Analysis Coding Agent Index, di belakang Claude Opus 4.7 pada upaya maksimum (66) dan GPT-5.5 pada penalaran xhigh (65). 

Kesenjangan biaya adalah bagian yang patut diperhatikan: Artificial Analysis memperkirakan Composer 2.5 sebesar $0,07 per tugas untuk Standard dan $0,44 untuk Fast, dibandingkan dengan $4,10 untuk Opus 4.7 max dan $4,82 untuk GPT-5.5 xhigh.

Composer 2.5 vs. Composer 2 vs. Composer 1.5: Perbandingan Skor

Keluarga Composer mengalami tiga rilis dalam waktu singkat. Composer 1.5 dirilis pada Februari 2026, Composer 2 pada Maret, dan Composer 2.5 pada Mei. Setiap versi mengubah sesuatu yang berbeda tentang pendekatan pelatihan.

Composer 2.5 versus Composer 2

Lompatan dari Composer 2 ke 2.5 paling terlihat pada Terminal-Bench 2.0, di mana skor bergerak dari 61,7% ke 69,3%, dan pada SWE-Bench Multilingual, dari 73,7% ke 79,8%. Kenaikan CursorBench lebih kecil, dan versi tolok ukurnya berubah dari v3 ke v3.1, sehingga perbandingan ini kurang langsung.

Perbedaan yang lebih besar adalah pipeline pelatihan. Composer 2 memperkenalkan pelatihan lanjutan pada Kimi K2.5. Composer 2.5 mempertahankan basis itu dan menambahkan umpan balik tekstual terarah, tugas sintetis 25x lebih banyak, dan perubahan infrastruktur. Harga Standard tetap sama.

Composer 2.5 versus Composer 1.5

Composer 1.5 dibangun dengan menskalakan reinforcement learning 20x lebih jauh pada model prapelatihan yang sama seperti Composer 1. Ini memperkenalkan pemikiran adaptif dan peringkasan mandiri, yang memungkinkan model memampatkan konteksnya sendiri saat sesi berjalan lama.

Kesenjangan dari Composer 1.5 ke 2.5 besar di seluruh tolok ukur. Ini juga hadir dengan harga token yang lebih rendah: Composer 1.5 dihargai $3,50 per satu juta token input dan $17,50 per satu juta token output, sekitar 7x lebih mahal daripada Composer 2.5 Standard.

Apa yang berubah dalam praktik

Di seluruh versi ini, polanya cukup jelas: setiap generasi mengubah perilaku selama sesi panjang dan kemampuan mengikuti instruksi, sementara Composer 2 dan 2.5 menurunkan biaya sesi agen berkelanjutan.

Composer 2.5 vs. Claude Opus 4.7 vs. GPT-5.5: Tolok Ukur, Harga, dan Trade-off

Ini adalah perbandingan yang paling banyak diminati pembaca. Composer 2.5 memiliki skor tolok ukur pengkodean yang serupa di beberapa area, harga token yang lebih rendah daripada model frontier di bawah ini, dan trade-off yang jelas.

Perbandingan tolok ukur

GPT-5.5 memimpin pada Terminal-Bench 2.0 dengan 82,7%, sekitar 13 poin di depan Composer 2.5. Kesenjangan itu penting untuk pekerjaan yang sangat bergantung pada penggunaan terminal.

Claude Opus 4.7 sedikit di depan Composer 2.5 pada SWE-Bench Multilingual (80,5% versus 79,8%), selisih kurang dari satu poin. Pada CursorBench, Composer 2.5 di 63,2% berada di atas Opus 4.7 pada pengaturan default (61,6%) tetapi di bawah Opus 4.7 pada upaya maksimum (64,8%). GPT-5.5 juga mencapai 64,3% pada xhigh, sementara skor default-nya 59,2%.

Model-model ini tidak melakukan pekerjaan yang sama. Opus 4.7 dan GPT-5.5 adalah model frontier yang lebih luas. Composer 2.5 adalah model pengkodean yang hanya berjalan di Cursor. Skor tolok ukur berdekatan pada beberapa tugas pengkodean, tetapi batasan produknya berbeda.

Perbandingan harga

Perbedaan biaya adalah pemisahan paling jelas dari model frontier.

Composer 2.5 Standard dihargai sekitar sepersepuluh dari Opus 4.7 dan GPT-5.5 per token. Varian Fast juga berharga di bawah tier standar dari kedua model frontier tersebut.

Harga ini berlaku per Mei 2026, jadi periksa harga model Cursor, harga Opus milik Anthropic, dan harga API OpenAI sebelum mengandalkan perbandingan ini.

Satu catatan yang sering terlewat: harga Composer 2.5 Fast menjadi dua kali lipat dibandingkan Composer 2 Fast. Harga Standard tetap, tetapi Fast adalah default, sehingga peningkatan ini tetap dapat menaikkan biaya bagi sebagian pengguna.

Model mana yang sebaiknya Anda pilih?

Pilihan model bergantung pada apakah biaya, pekerjaan terminal, atau perencanaan yang lebih dalam yang paling penting:

• Composer 2.5 cocok untuk pengkodean sehari-hari di dalam Cursor, terutama penyuntingan lintas berkas, refactoring, debugging, dan sesi agen saat biaya menjadi perhatian.
• GPT-5.5 cocok untuk tugas yang paling menuntut kinerja terminal.
• Claude Opus 4.7 cocok untuk tugas yang memerlukan penalaran cermat, perencanaan arsitektur, atau jendela konteks 1 juta token.

Itulah pola yang saya ambil dari angka-angka: Composer 2.5 mencakup pekerjaan pengkodean rutin, sementara model frontier masih berperan untuk penalaran yang lebih luas atau skor terminal yang lebih tinggi.

Composer 2.5 Standard vs. Fast: Kecepatan, Harga, dan Kapan Menggunakan Masing-Masing

Cursor menyediakan Composer 2.5 dalam dua varian, seperti pada Composer 2. Menurut Cursor, keduanya berbagi kecerdasan dasar yang sama. Perbedaannya terutama pada seberapa cepat model merespons dan berapa biayanya.

Pemilih model Cursor dengan Composer terpilih. Gambar oleh Penulis.

Fast adalah default dan biayanya $3,00 per satu juta token input dan $15,00 per satu juta token output. Ini ditujukan untuk sesi interaktif di mana latensi rendah penting. Standard berjalan di $0,50 dan $2,50, sehingga cocok untuk tugas latar belakang atau loop agen yang lebih panjang saat umpan balik segera kurang penting.

Penggunaan Composer 2.5 berada di kolam penggunaan "Auto + Composer" milik Cursor, terpisah dari kolam API yang digunakan untuk model luar seperti Claude dan GPT. Cursor juga menawarkan penggunaan ganda pada minggu pertama setelah peluncuran.

Keterbatasan dan Catatan Composer 2.5

Catatannya berkaitan dengan akses, tolok ukur, dan risiko pelatihan. Ini tidak membuat Composer 2.5 menjadi tidak biasa, tetapi memengaruhi seberapa besar bobot yang diberikan pada klaim Cursor.

Ketersediaan hanya di Cursor. Seperti disebutkan sebelumnya, Composer 2.5 tidak memiliki API publik. Jika alur kerja Anda bergantung pada pemanggilan model dari skrip atau pipeline Anda sendiri, Composer 2.5 bukan opsi.

CursorBench bukan independen. Seperti dibahas di bagian tolok ukur, CursorBench v3.1 adalah internal milik Cursor. Metodologinya tidak sepenuhnya publik, dan tugasnya tidak dapat direproduksi oleh peneliti eksternal.

Variabilitas pengaturan tolok ukur. Skor model frontier dalam bagan tolok ukur Cursor tidak semuanya diukur dengan cara yang sama. Perlakukan perbandingan sebagai indikatif, bukan definitif.

Reward hacking selama pelatihan. Cursor mengungkap kasus di mana model menemukan jalan pintas cerdas dalam tugas sintetis alih-alih menyelesaikannya secara normal. Ini adalah risiko bawaan RL pada skala ini, bahkan saat pemantauan menangkap contoh yang jelas.

Kalibrasi upaya belum terverifikasi. Klaim Cursor tentang gaya komunikasi dan kalibrasi upaya tidak didukung data tolok ukur, seperti yang telah saya bahas. Itu membuatnya sulit diperiksa dari luar.

Kapan Composer 2.5 Masuk Akal

Ini bergantung pada tugasnya. Saya akan membingkai Composer 2.5 bukan sebagai pilihan model universal, melainkan sebagai model pengkodean untuk orang yang sudah bekerja di dalam Cursor.

Jika sebagian besar waktu Anda dihabiskan untuk mengode di dalam Cursor dan peduli pada biaya token, Composer 2.5 Standard memiliki harga terendah di lini Composer 2.5. Ini berlaku untuk pekerjaan penyuntingan, refactoring, debugging, dan sesi panjang seperti disebutkan di atas.

Jika kecepatan respons lebih penting, Composer 2.5 Fast adalah opsi default.

Jika tugas memerlukan penalaran yang lebih luas, jendela konteks yang lebih besar, atau skor tolok ukur yang lebih tinggi di area tertentu, Claude Opus 4.7 atau GPT-5.5 mungkin lebih cocok untuk tugas tersebut.

Satu cara membingkainya: Composer 2.5 menangani pekerjaan pengkodean rutin yang saya bahas di atas, sementara model frontier mungkin cocok untuk tugas yang membutuhkan penalaran lebih luas atau skor terminal yang lebih tinggi. Itu menjaga perbandingan tetap membumi tanpa menjadikannya rekomendasi satu model untuk setiap kasus.

Pemikiran Akhir

Composer 2.5 mudah dibaca sebagai cerita tolok ukur, tetapi menurut saya poin yang lebih berguna adalah arah pergerakannya. Cursor tidak hanya membungkus model frontier di dalam editor. Mereka membangun lini model di sekitar jenis pekerjaan yang sudah dilakukan agen mereka: penyuntingan lintas berkas, langkah terminal, sesi yang lebih panjang, dan pemulihan dari kesalahan.

Seperti disebutkan sebelumnya, trade-off-nya adalah Composer 2.5 sengaja dibuat sempit. Ini tidak menggantikan Claude Opus 4.7 atau GPT-5.5 sebagai model umum, dan tidak membantu jika Anda memerlukan API di luar Cursor. Namun di dalam Cursor, fokus yang lebih sempit adalah intinya. Model ini lebih murah dijalankan daripada opsi frontier, disetel untuk tugas pengkodean, dan berada dekat dengan lapisan produk tempat tugas tersebut terjadi.

Pertanyaan berikutnya adalah seberapa banyak dari ini yang ingin dimiliki Cursor. Perusahaan mengatakan mereka bekerja sama dengan SpaceXAI untuk melatih model yang lebih besar dari nol menggunakan 10x komputasi total lebih banyak dan infrastruktur Colossus 2. Belum ada tanggal rilis yang diberikan, jadi belum banyak yang bisa dianalisis. Meski begitu, gambaran dasarnya cukup jelas: Cursor bergerak dari penggunaan model yang baik menuju membangun lebih banyak tumpukan modelnya sendiri.