Функция Composer 2 в Cursor была тайно создана на базе китайской модели ИИ — и это обнажает более глубокую проблему западного открытого ИИ
Инструмент для написания кода с поддержкой искусственного интеллекта стоимостью $29,3 млрд был пойман на горячем с раскрытием его происхождения. Когда компания Cursor на прошлой неделе выпустила Composer 2, назвав его «интеллектом для написания кода фронтирного уровня», она представила эту модель как доказательство того, что компания является серьезной научно-исследовательской лабораторией в области ИИ, а не просто форкнутой интегрированной средой разработки (IDE), оборачивающей чужую базовую модель. В анонсе умалчивалось о том, что Composer 2 был создан на базе Kimi K2.5 — модели с открытым исходным кодом от китайского стартапа Moonshot AI, поддерживаемого Alibaba, Tencent и HongShan (фирмой, ранее известной как Sequoia China).
Разработчик по имени Финн (@fynnso) в X выяснил это всего за несколько часов. Настроив локальный прокси-сервер отладки и пропустив через него API-трафик Cursor, Финн перехватил исходящий запрос и обнаружил идентификатор модели на самом видном месте: accounts/anysphere/models/kimi-k2p5-rl-0317-s515-fast.
«Получается, composer 2 — это просто Kimi K2.5 с RL (обучением с подкреплением)», — написал Финн. «По крайней мере, переименуйте ID модели».
В последующем посте Финн отметил, что предыдущая модель Cursor, Composer 1.5, блокировала перехват запросов подобного рода, но Composer 2 этого не делал, назвав это «вероятно, упущением». Cursor быстро исправила это, но факт уже был очевиден.
Вице-президент Cursor по обучению разработчиков Ли Робинсон подтвердил связь с Kimi в течение нескольких часов, а соучредитель Аман Зангер признал, что не раскрывать базовую модель с самого начала было ошибкой.
Но история, которая имеет значение в данном контексте, связана вовсе не с провалом одной компании в плане прозрачности. Она о том, почему Cursor — и, вероятно, многие другие продуктовые ИИ-компании — вообще обратились к китайской открытой модели.
Вакуум открытых моделей: почему западные компании продолжают использовать китайские фундаменты
Решение Cursor строить свою разработку на базе Kimi K2.5 не было случайным. Эта модель представляет собой смесь экспертов (MoE) с 1 триллионом параметров (из них 32 миллиарда активных параметров), окном контекста в 256 000 токенов, нативной поддержкой изображений и видео, а также возможностью Agent Swarm, которая запускает до 100 параллельных субагентов одновременно.
Выпущенная на условиях модифицированной лицензии MIT, разрешающей коммерческое использование, Kimi K2.5 конкурентоспособна с лучшими мировыми моделями по агентным бенчмаркам и заняла первое место среди всех моделей по версии MathVista на момент релиза.
Когда продуктовой ИИ-компании требуется мощная открытая модель для дообучения (continual pretraining) и обучения с подкреплением — того самого глубокого кастомизирования, которое превращает фундамент в дифференцированный продукт — выбор со стороны западных лабораторий оказывается удивительно скудным.
Модели Meta Llama 4 Scout и Maverick вышли в апреле 2025 года, но им явно не хватало возможностей, а долгожданная Llama 4 Behemoth была отложена на неопределенный срок. По состоянию на март 2026 года у Behemoth по-прежнему нет даты публичного релиза, а отчеты показывают, что внутренние команды Meta не уверены, обеспечивает ли модель с 2 триллионами параметров достаточный скачок производительности, чтобы оправдать ее выпуск.
Семейство Google Gemma 3 остановилось на 27 миллиардах параметров — это отличный вариант для периферийных устройств (edge) и развертывания на одном акселераторе, но не фундамент фронтирного класса для создания продакшен-агентов по кодированию. Gemma 4 пока не была анонсирована, хотя это породило спекуляции о том, что релиз может быть не за горами.
И наконец, есть OpenAI, которая в августе 2025 года выпустила, пожалуй, самого заметного американского претендента с открытым исходным кодом — семейство gpt-oss (в вариантах с 20 и 120 миллиардами параметров). Почему бы Cursor не построить свою систему на базе этой модели, если ей требовалась базовая модель для тонкой настройки?
Ответ кроется в «плотности интеллекта» (intelligence density), необходимой для написания кода фронтирного уровня. Хотя gpt-oss-120b — это монументальное достижение для западного открытого софта, предлагающее возможности рассуждения, соперничающие с проприетарными моделями вроде o4-mini, фундаментально это разреженная модель Mixture-of-Experts (MoE), которая активирует всего 5,1 миллиарда параметров на один токен. Для помощника общего назначения по логическим рассуждениям это шедевр эффективности; для такого инструмента, как Composer 2, который должен поддерживать структурную когерентность в контекстном окне на 256 000 токенов, это, пожалуй, слишком «тонко».
В отличие от этого, Kimi K2.5 представляет собой титан с 1 триллионом параметров, который удерживает 32 миллиарда параметров активными в любой момент времени. В мире агентного кодирования с высокими ставками чистая когнитивная масса по-прежнему определяет производительность, и в Cursor явно подсчитали, что шестикратное преимущество Kimi по числу активных параметров имеет решающее значение для синтеза «взрыва контекста», происходящего во время сложных многошаговых задач автономного программирования.
Помимо чистых масштабов, существует вопрос структурной устойчивости. Модели OpenAI с открытыми весами приобрели в кругах элитных разработчиков репутацию «хрупких после пост-тренинга» — моделей, которые великолепно работают «из коробки», но склонны к катастрофическому забыванию при прохождении того типа агрессивного обучения с подкреплением с высокими затратами вычислительных ресурсов, который потребовался Cursor.
Cursor не просто применила легкую тонкую настройку; они выполнили «четырехкратное масштабирование» вычислительных ресурсов обучения, чтобы заложить в систему собственную логику самосуммирования (self-summarization). Kimi K2.5, созданная специально для агентной стабильности и долгосрочных задач, предоставила более прочное «шасси» для столь глубоких архитектурных реноваций. Это позволило Cursor создать специализированный агент, способный решать задачи уровня соревнований — например, компиляцию оригинальной игры Doom для архитектуры MIPS — без того, чтобы основная логика модели разрушалась под тяжестью собственного специализированного обучения.
Это оставляет пробел. И китайские лаборатории — Moonshot, DeepSeek, Qwen и другие — агрессивно заполнили его. Модели DeepSeek V3 и R1 вызвали панику в Кремниевой долине в начале 2025 года, обеспечив производительность фронтирного уровня за малую долю стоимости. Семейство Alibaba Qwen3.5 выпустило модели практически с любым количеством параметров — от 600 миллионов до 397 миллиардов активных параметров. Kimi K2.5 занимает самую удачную нишу для компаний, которым нужна мощная, открытая и кастомизируемая база.
Cursor — не единственная продуктовая компания в таком положении. Любое предприятие, создающее сегодня специализированные ИИ-приложения поверх открытых моделей, сталкивается с одной и той же арифметикой: самые способные открытые фундаменты с самыми мягкими лицензиями непропорционально часто происходят из китайских лабораторий.
Что на самом деле создала Cursor — и почему базовая модель значит меньше, чем вы думаете
К чести Cursor, они не просто прикрутили пользовательский интерфейс к Kimi. Ли Робинсон заявил, что примерно четверть от общего объема вычислений, использованных для создания Composer 2, пришлась на базу Kimi, а остальные три четверти — на собственное непрерывное дообучение Cursor. В <техническом блоге компании> описывается метод под названием самосуммирование, который решает одну из самых сложных проблем в агентном кодировании: переполнение контекста во время выполнения длительных задач.
Когда агент для написания кода работает со сложными многошаговыми задачами, он генерирует гораздо больше контекста, чем любая модель способна удержать в памяти одновременно. Типичный обходной путь — усечение старого контекста или использование отдельной модели для его обобщения — приводит к тому, что агент теряет критически важную информацию и допускает каскадные ошибки. Подход Cursor обучает саму модель сжимать собственную рабочую память в процессе выполнения задачи в рамках алгоритма обучения с подкреплением. Когда Composer 2 приближается к лимиту контекста, он приостанавливается, сжимает все данные примерно до 1000 токенов и продолжает работу. Эти суммаризации получают награду или штраф в зависимости от того, помогли ли они завершить общую задачу, поэтому в ходе тысяч запусков обучения модель учится понимать, что сохранять, а от чего избавляться.
Результаты показательны. Cursor сообщает, что самосуммирование сокращает ошибки компакции на 50 процентов по сравнению с интенсивно спроектированными базовыми линиями на основе промптов, используя при этом одну пятую токенов. В качестве демонстрации Composer 2 за 170 шагов решил задачу Terminal-Bench — скомпилировал оригинальную игру Doom для процессорной архитектуры MIPS, многократно выполняя самосуммирование более чем 100 000 токенов в ходе задачи. Несколько фронтирных моделей не могут справиться с этой задачей. В тесте CursorBench Composer 2 набирает 61,3 балла по сравнению с 44,2 у Composer 1.5, а также достигает 61,7 балла на Terminal-Bench 2.0 и 73,7 балла на SWE-bench Multilingual.
Сама Moonshot AI отреагировала на инцидент с поддержкой, написав в X, что гордится тем, что Kimi стала фундаментом, и подтвердив, что Cursor получила доступ к модели через авторизованное коммерческое партнерство с Fireworks AI, компанией по хостингу моделей. Ничего не было украдено. Использование велось на основе коммерческой лицензии.
Помимо проблемы атрибуции: молчание порождает вопросы о лицензировании и управлении
Соучредитель Cursor Аман Зангер признал этот упущение, заявив, что не упомянуть базу Kimi в оригинальном посте в блоге было ошибкой. Причины такого молчания несложно угадать. Стоимость Cursor оценивается почти в $30 миллиардов на том основании, что это компания, занимающаяся исследованиями в области ИИ, а не уровень интеграции. А Kimi K2.5 была создана китайской компанией при поддержке Alibaba — чувствительное происхождение в тот момент, когда американо-китайские отношения в сфере ИИ напряжены, а правительственные и корпоративные клиенты все больше заботятся о происхождении цепочки поставок.
Настоящий урок шире. Вся индустрия строится на чужих фундаментах. Модели OpenAI обучены на десятилетиях академических исследований и данных масштаба интернета. Llama от Meta обучена на данных, которые она не всегда полностью раскрывает. Каждая модель стоит на плечах слоев предшествующей работы. Вопрос в том, что компании говорят об этом — и прямо сейчас структура стимулов поощряет сокрытие этой связи, особенно когда фундамент родом из Китая.
Для IT-директоров, оценивающих ИИ-инструменты для кодирования и платформы агентов, этот эпизод поднимает практические вопросы: знаете ли вы, что скрывается «под капотом» продукта вашего ИИ-вендора? Имеет ли это значение для ваших требований к комплаенсу, безопасности и цепочке поставок? И выполняет ли ваш вендор лицензионные обязательства в отношении собственной базовой модели?
Пробел в западных открытых моделях начинает сокращаться — но медленно
Хорошая новость для предприятий, обеспокоенных происхождением моделей, заключается в том, что западные открытые модели, судя по всему, собираются стать значительно более конкурентоспособными. NVIDIA ведет агрессивный график релизов. Nemotron 3 Super, выпущенная 11 марта, представляет собой гибридную модель Mamba-Transformer со 120 миллиардами параметров (12 миллиардов активных параметров), окном контекста в 1 миллион токенов и пропускной способностью, превышающей показатели предшественника до 5 раз. В ней используется новая латентная архитектура смеси экспертов, а предварительное обучение проходило в формате NVFP4 от NVIDIA на архитектуре Blackwell. Такие компании, как Perplexity, CodeRabbit, Factory и Greptile, уже интегрируют ее в свои ИИ-агенты.
Спустя несколько дней NVIDIA представила Nemotron-Cascade 2 — MoE-модель с 30 миллиардами параметров, имеющую всего 3 миллиарда активных параметров, которая превосходит и Qwen 3.5-35B, и более крупную Nemotron 3 Super в математике, кодовых рассуждениях, выравнивании и бенчмарках следования инструкциям. Cascade 2 достигла результатов уровня золотой медали на Международной математической олимпиаде 2025 года, Международной олимпиаде по информатике и мировом финале ICPC, став лишь второй моделью с открытыми весами после DeepSeek-V3.2-Speciale, добившейся этого. Обе модели поставляются с полностью открытыми весами, обучающими наборами данных и рецептами обучения с подкреплением на условиях мягких лицензий — именно такая прозрачность, по мнению эпизода с Kimi от Cursor, отсутствовала.
За чем стоит следить ИИ-лидерам: вопрос происхождения никуда не денется
Эпизод с Cursor и Kimi — это предзнаменование повторяющейся закономерности. Поскольку ИИ-компании все чаще создают дифференцированные приложения с помощью непрерывного дообучения, обучения с подкреплением и новых методов вроде самосуммирования поверх открытых базовых моделей, вопрос о том, какая именно база лежит в основе стека, становится вопросом корпоративного управления, а не только технических предпочтений.
Семейство Nemotron от NVIDIA и ожидаемая Gemma 4 представляют собой сильнейших краткосрочных кандидатов на закрытие пробела в западных открытых моделях. Гибридная архитектура Nemotron 3 Super и контекстное окно в миллион токенов делают ее напрямую применимой для тех же сценариев агентного кодирования, которые Cursor решала с помощью Kimi. Невероятная плотность интеллекта Cascade 2 — победные результаты соревнований при всего 3 миллиардах активных параметров — говорит о том, что меньшие, высоко оптимизированные модели, обученные с использованием продвинутых методов RL, могут все в большей степени заменять массивные китайские фундаменты, доминировавшие в ландшафте открытых моделей.
Но на данный момент грань между американскими ИИ-продуктами и китайскими модельными фундаментами не столь чиста, как предполагает геополитический нарратив. Один из самых используемых инструментов для написания кода в мире работает на модели, поддерживаемой Alibaba, и изначально мог не соответствовать требованиям атрибуции лицензии, которая это позволила. Cursor заявляет, что в следующий раз раскроет базовую модель. Более интересный вопрос заключается в том, будет ли у нее в следующий раз надежная западная альтернатива, которую можно было бы раскрыть.
