Cursor dévoile Composer 2.5, un concurrent à moindre coût dans le codage IA

Un défi tarifaire arrive sur le marché des modèles de codage

Cursor a lancé Composer 2.5, un nouveau modèle de codage IA développé en interne, que l’entreprise dit capable d’égaler les performances de référence des principaux systèmes de pointe tout en fonctionnant à une fraction du coût. Si ces affirmations se vérifient dans les flux de travail réels des développeurs, cette sortie pourrait intensifier la concurrence dans l’un des segments les plus actifs commercialement de l’IA générative.

Selon un article de The Decoder, Composer 2.5 s’appuie sur le checkpoint open source Kimi K2.5 de Moonshot et a été entraîné sur 25 fois plus de tâches synthétiques que le précédent modèle Composer 2 de Cursor. Cursor indique que 85 % du budget de calcul a été consacré à l’entraînement supplémentaire et au reinforcement learning, ce qui suggère que l’entreprise a traité cette sortie comme bien plus qu’un simple affinage incrémental.

L’affirmation principale concerne la parité de performance. Cursor indique que Composer 2.5 a obtenu 79,8 % sur SWE-Bench Multilingual et 63,2 % sur CursorBench v3.1, des scores qui, selon elle, placent le modèle aux côtés d’Opus 4.7 et de GPT-5.5 sur ces tests. Sur le marché des modèles de codage, la parité de benchmark compte parce que de nombreux clients comparent désormais les produits moins sur la fluidité générale du langage et davantage sur des tâches spécifiques au logiciel, comme la correction de bugs, la navigation dans les dépôts et la génération fiable de code.

L’argument du coût peut compter encore plus que les scores

Les benchmarks attirent l’attention, mais l’argument commercial le plus fort pourrait être le prix. Cursor affirme que Composer 2.5 coûte 0,50 $ par million de jetons d’entrée et 2,50 $ par million de jetons de sortie. Une variante plus rapide, affichant les mêmes performances rapportées, est facturée 3,00 $ par million de jetons d’entrée et 15,00 $ par million de jetons de sortie. L’entreprise dit que cela place les coûts typiques des tâches bien en dessous de ceux des systèmes haut de gamme concurrents d’Anthropic et d’OpenAI.

Cela compte parce que les assistants de codage sont particulièrement sensibles au coût d’inférence. Ils travaillent souvent sur de longs contextes, des modifications répétées, des boucles agentiques et des opérations multi-fichiers, ce qui peut faire grimper rapidement les dépenses par tâche. Un modèle qui se rapproche du sommet du marché tout en réduisant sensiblement le coût marginal devient attractif non seulement pour les utilisateurs finaux, mais aussi pour les bâtisseurs de plateformes qui ont besoin d’une économie viable à grande échelle.

Cette sortie s’inscrit donc dans une tendance plus large qui émerge dans l’infrastructure IA : la concurrence ne se limite plus à savoir qui possède le meilleur modèle absolu. Il s’agit aussi de savoir qui peut offrir des performances de niveau frontier acceptables au meilleur coût d’exploitation. En codage, où les utilisateurs peuvent comparer directement les résultats au sein des produits, ce compromis devient particulièrement visible.

Entraînement synthétique et intégration produit

Composer 2.5 reflète aussi la rapidité avec laquelle les entreprises spécialisées en IA bâtissent sur des checkpoints ouverts puis se différencient par les données d’entraînement, le reinforcement learning et l’intégration produit. La mention par Cursor de 25 fois plus de tâches synthétiques montre que les charges de travail générées ou construites par programme restent centrales pour améliorer le comportement des modèles de codage. L’entraînement synthétique est devenu l’un des principaux leviers disponibles pour les équipes qui veulent avancer vite sans dépendre entièrement du développement propriétaire de modèles de base.

Le modèle est déjà disponible dans Cursor, ce qui donne à ce lancement une distribution immédiate plutôt qu’un simple statut d’annonce de recherche. C’est une distinction importante. Beaucoup d’affirmations sur les modèles circulent d’abord dans des articles ou des tableaux de benchmarks avant d’atteindre la production. Composer 2.5 entre directement dans un environnement de codage où les utilisateurs peuvent vérifier si les gains de benchmark se traduisent par une meilleure aide concrète.

Cela dit, les comparaisons de benchmarks doivent rester prudentes. Le texte source rapporte les chiffres de Cursor et son affirmation de parité avec des systèmes rivaux nommés, mais l’évaluation réelle dépendra de la manière dont le modèle gère les sessions longues, les instructions ambiguës, le raisonnement spécifique aux dépôts et la récupération d’erreurs en conditions de production. Les assistants de codage sont souvent jugés moins sur la justesse d’un seul essai que sur leur utilité sur l’ensemble du cycle de développement.

Une ambition plus vaste derrière la sortie

Le lancement est aussi présenté comme une partie d’un effort stratégique plus large. Selon le même rapport, Cursor entraîne à partir de zéro un successeur bien plus grand avec SpaceX et xAI, en utilisant dix fois plus de calcul sur le cluster Colossus-2 et un million d’équivalents H100. Même si ce projet reste tourné vers l’avenir, il inscrit Composer 2.5 dans une narration plus large : Cursor ne se contente pas d’intégrer des modèles externes dans un éditeur, mais cherche à s’établir comme un constructeur de modèles avec son propre programme d’entraînement.

Pour le marché de l’IA dans son ensemble, cela compte car cela montre comment les entreprises d’application descendent dans la pile des modèles. Si une entreprise produit peut utiliser des fondations ouvertes, un entraînement synthétique intensif et une tarification agressive pour créer un modèle spécialisé compétitif, elle exerce une pression sur les plus grands fournisseurs de modèles dans deux directions à la fois : les attentes de performance restent élevées, tandis que la volonté de payer des prix premium peut s’affaiblir.

Composer 2.5 ressemble donc à bien plus qu’une simple mise à jour de modèle. C’est un test pour savoir si un entraînement ciblé et un déploiement natif au produit peuvent réduire l’écart avec les systèmes phares tout en réécrivant l’économie du codage IA. Si les développeurs constatent que le modèle tient ses promesses, le benchmark le plus important ne sera peut-être pas un score au classement. Ce sera peut-être le niveau de prix qui force le reste du marché à réagir.

Cet article s’appuie sur un reportage de The Decoder. Lire l’article original.