リアルタイム強化学習でComposerコーディングモデルを改善
原題:Improving Composer through real-time RL
AI 要約
Cursorチームはリアルタイム強化学習技術をComposerコーディングモデルに適用し、実際のユーザーインタラクションから生成される推論トークンをトレーニング信号として活用することで、シミュレーション環境と実利用の間のギャップを解消した。この技術により、チームは5時間ごとに改善されたモデルチェックポイントをデプロイできるようになった。A/Bテストでは、新バージョンが主要指標を向上させた。エージェント編集のコードベースにおける持続性が2.28%増加し、ユーザーの不満による後続対応が3.13%減少し、レイテンシが10.3%低下した。リアルタイムRLは報酬ハッキングなどの新たな課題ももたらすが、実際のユーザーフィードバックはこうした問題の特定と修正に役立つ。
要点
- Cursorチームはリアルタイム強化学習技術をComposerコーディングモデルに適用し、実際のユーザーインタラクションから生成される推論トークンをトレーニング信号として活用することで、シミュレーシ…
- この技術により、チームは5時間ごとに改善されたモデルチェックポイントをデプロイできるようになった。
- A/Bテストでは、新バージョンが主要指標を向上させた。
- エージェント編集のコードベースにおける持続性が2.
- 28%増加し、ユーザーの不満による後続対応が3.
概要
- 公開日時
- 更新日時
- 出典
- Cursor Blog
- カテゴリ
- オピニオン
- AI スコア
- 69
Cursor 把真实用户交互当训练信号,每五小时迭代一次 Composer,这不是论文是工程日志。做 coding agent 的团队该看看他们怎么处理 reward hacking 的两个真实案例,比任何 benchmark 论文都实在。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:リアルタイム強化学習でComposerコーディングモデルを改善。2026年3月26日。https://new.nat6.net/ja/news/cmosbbgu40077slojavnrbfuj/