Composer 2.5 im Test: Cursors bisher günstigster Frontier Coding Agent – ​​Ausführlicher Test, Benchmarks und Praxistests

Als Tech-Blogger, der die letzten 48 Stunden Composer 2.5 in mehreren realen Projekten auf Herz und Nieren geprüft hat, präsentiere ich Ihnen hier einen umfassenden Praxisbericht. Wir behandeln Benchmarks, Trainingsdetails, Preise, Erfahrungsberichte von Nutzern, Vergleiche mit Claude Opus 4.7 und GPT-5.5 und gehen der Frage nach, ob dieses Modell KI-Agenten endlich zum Standard in der professionellen Softwareentwicklung macht.

Was ist Composer 2.5? Kurzer Überblick

Die Composer-Serie von Cursor wurde speziell für folgende Zwecke entwickelt: agentenbasierte Kodierung innerhalb der Cursor IDE (und ihrer neuen Glass-Oberfläche). Im Gegensatz zu universellen Modellen, auf die über eine API zugegriffen wird, sind Composer-Modelle durchgängig für die Cursor-Umgebung optimiert: Bearbeitung mehrerer Dateien, Nutzung von Terminaltools, Navigation im Code, iteratives Debugging und langfristige Softwareentwicklungsaufgaben.

Composer 2.5 baut direkt auf der gleichen Open-Wave-Moonshot-KI auf. Wie K2.5 Der Checkpoint wurde für Composer 2 verwendet. Cursor meldet, dass ca. 85 % des gesamten Rechenbudgets für Nachbearbeitung und Reinforcement Learning (RL) aufgewendet werden, einschließlich 25-mal mehr synthetischer Aufgaben als in der Vorgängerversion.

Dies ist keine einfache Feinabstimmung. Es beinhaltet neue Techniken wie gezieltes Reinforcement Learning mit textuellem Feedback, fortschrittliche synthetische Datengenerierung und Infrastrukturverbesserungen für das Mixture-of-Experts (MoE)-Training.

Benchmarks: Wie gut ist es wirklich?

Cursor veröffentlichte starke Zahlen für Composer 2.5:

• SWE-Bench Multilingual: 79,8 % — entsprechend Anthropics Opus 4.7.
• CursorBench v3.1: 63,2 % — konkurrenzfähig mit führenden Frontier-Modellen.
• Terminalbank 2.0Verbessert, liegt aber hinter GPT-5.5 zurück (ca. 69,3 % im Vergleich zu höher bei GPT).

Vergleichstabelle (Angaben basieren auf öffentlichen Berichten):

Diese Ergebnisse sind beeindruckend, insbesondere angesichts der Kosten. Öffentliche Benchmarks wie SWE-Bench testen die Lösung realer GitHub-Probleme in verschiedenen Programmiersprachen, während CursorBench reale interne Entwicklungsaufgaben von Cursor nutzt (mehrdeutige Eingabeaufforderungen, umfangreiche Änderungen an mehreren Dateien).

Wichtigste ErkenntnisComposer 2.5 erreicht bei wichtigen Softwareentwicklungs-Tests vergleichbare Ergebnisse zu einem Bruchteil des Preises. Es ist zwar nicht in allen Bereichen überlegen, bietet aber Spitzenleistung in den entscheidenden Bereichen für die meisten Entwickler-Workflows.

Preisgestaltung: Der eigentliche Wendepunkt

Das ist deutlich günstiger als bei der Konkurrenz. Zum Vergleich: Die Tarife von Claude Opus liegen oft zwischen 5 und über 25 US-Dollar pro Monat, und GPT-5.5 Pro ist ähnlich teuer. Cursor hat außerdem das Nutzungskontingent für die erste Woche nach dem Start verdoppelt.

Analysten schätzen die Kosten pro Aufgabe für Composer 2.5 auf unter 1 US-Dollar für viele typische Entwicklungsaufgaben, im Vergleich zu mehreren US-Dollar für eine gleichwertige Qualität mit Opus oder GPT. Dies schafft eine überzeugende Pareto-Front: nahezu Spitzenleistung zu einem Zehntel der Kosten.

Praxistest: Was ich mit Composer 2.5 entwickelt habe.

Ich habe Composer 2.5 anhand von drei realen Projekten auf Herz und Nieren geprüft:

1. Implementierung von Full-Stack-Funktionen (Next.js 15 + TypeScript + Supabase + Tailwind)
   • Aufgabe: Entwickeln Sie eine KI-gestützte Aufgabenmanagement-App mit Echtzeit-Zusammenarbeit, Drag-and-Drop-Kanban-Funktion und PDF-Export.
   • Ergebnis: Composer 2.5 bewältigte das Scaffolding mehrerer Dateien hervorragend. Es erstellte korrekte Supabase-RLS-Richtlinien, implementierte optimistische UI-Aktualisierungen und integrierte eine saubere shadcn/ui-Komponentenbibliothek. Die meisten Dateien funktionierten auf Anhieb. Für spezielle Authentifizierungsabläufe waren kleinere Anpassungen nötig. Die Geschwindigkeit im Schnellmodus war atemberaubend – die Generierung fühlte sich 3- bis 5-mal schneller an als mit Opus bei vergleichbaren Aufgaben.
2. Große Codebasis-Refaktorisierung (Legacy-Python/FastAPI-Monolith, ca. 120.000 Codezeilen)
   • Aufgabe: Migration der Authentifizierung von benutzerdefiniertem JWT auf Auth0, Aktualisierung von mehr als 40 Dateien, Hinzufügen umfassender Tests.
   • Ergebnis: Hervorragende Leistung. Abhängigkeitsketten wurden korrekt erkannt und Änderungen modulübergreifend konsistent vorgenommen. Gelegentlich waren leichte Anpassungen bei den Testaussagen nötig, die jedoch problemlos behoben wurden. Die Verarbeitung großer Kontexte (über 200.000 Token) erwies sich als zuverlässig. Die Aufwandskalibrierung war im Vergleich zu früheren Versionen verbessert – es wurden keine unnötigen Dateien bearbeitet.
3. Terminal + Agentic Workflow (Debugging von Docker-basierten Microservices)
   • Aufgabe: Diagnose und Behebung eines Netzwerkproblems in einer 5-Service-Konfiguration mit Redis, Postgres und einem Go-Backend.
   • Ergebnis: Hervorragende Werkzeugnutzung und iteratives Debugging. Es wurde vorgeschlagen docker compose Befehle wurden ausgeführt, Protokolle intelligent analysiert und schnell iteriert. Die Verbesserungen von Terminal-Bench zeigten sich hier, obwohl GPT-5.5 bei sehr komplexen Shell-Operationen immer noch überlegen ist.

Subjektive Eindrücke:

• Geschwindigkeit und ReaktionsfähigkeitDie schnelle Variante ist ein Genuss. Die geringe Latenz verändert den Arbeitsablauf von „Warten auf KI“ zu „konversationeller Interaktion“.
• Anweisung folgenDeutlich besser bei komplexen, mehrstufigen Eingabeaufforderungen. Weniger Fehlstarts bei Toolaufrufen.
• KommunikationsstilRuhiger, natürlicher. Weniger eingebildetes Selbstvertrauen, besser darin, zu sagen: „Ich brauche hier mehr Informationen.“
• Zuverlässigkeit bei langen AufgabenDer größte Vorteil: Es ermöglicht eine bessere Aufrechterhaltung der Konzentration über 50+ Runden.

Trainings-Deep Dive: Was macht Version 2.5 anders?

Der technische Ansatz von Cursor ist herausragend:

• Gezieltes RL mit textuellem Feedback: Löst Probleme bei der Gutschriftvergabe in längeren Einführungsphasen durch das Einfügen lokalisierter Hinweise für spezifische Fehler (z. B. ungültige Werkzeugaufrufe). Dies verbessert das Verhalten ohne störende globale Belohnungen.
• Massive synthetische Daten25-mal mehr Aufgaben, darunter die „Funktionslöschung“, bei der der Agent die entfernte Funktionalität neu implementieren muss, während die Tests weiterhin erfolgreich verlaufen. Dies erzeugt anspruchsvolle, überprüfbare Probleme, die auf realen Codebasen basieren.
• Infrastruktur gewinnt: Sharded Muon Optimizer, Dual-Mesh HSDP für MoE, asynchrone RL-Pipelines – ermöglicht effizientes Skalieren auf großen Clustern (einschließlich partiellem Training auf Colossus 2).

Sie arbeiten bereits mit xAI/SpaceXAI an einem wesentlich größeren, von Grund auf neu entwickelten Modell, das die zehnfache Rechenleistung nutzt.

Die Kimi K2.5-Story: Transparenz und Kontroverse

Wie Composer 2 nutzt auch Version 2.5 Moonshots Kimi K2.5 als Basis und erweitert diese um umfangreiche Cursor-spezifische RL-Funktionen. Die ersten Veröffentlichungen lösten Diskussionen über die Urheberschaft aus, doch Cursor hat sich seither offener gezeigt, und Moonshot hat kommerzielle Partnerschaften über Plattformen wie Fireworks bestätigt.

Dieser hybride Ansatz (starke offene Basis + domänenspezifisches Reinforcement Learning) ist zunehmend verbreitet und effektiv. Das Endergebnis scheint optimal auf die Agenten-Workflows von Cursor abgestimmt zu sein.

Für wen ist Composer 2.5 geeignet?

Ja – Wechseln oder Priorisieren, wenn:

• Sie möchten maximale Iterationen pro Dollar.
• Ihr Workflow beinhaltet viele agentenbasierte, mehrteilige oder langlaufende Aufgaben.
• Sie legen mehr Wert auf Schnelligkeit und angenehme Zusammenarbeit als auf absolute Spitzenleistung bei der Lösung schwierigster Probleme.
• Sie verfügen über ein Teambudget (dramatische Kosteneinsparungen lassen sich hervorragend skalieren).

Bleiben Sie bei Opus/GPT für:

• Extrem komplexe neuartige Architektur oder wissenschaftliches Denken.
• Aufgaben, bei denen die Beherrschung der Terminal-Bench-ähnlichen Shell von entscheidender Bedeutung ist.
• Maximaler Erfolg bei einem einzigen Versuch bei mehrdeutigen, risikoreichen Problemen (wobei sich die Lücke schnell verringert).

Viele Entwickler berichten, dass sie Composer 2.5 als Standard-„Arbeitspferd“ verwenden, während sie die schwierigsten Teilaufgaben an Premium-Modelle auslagern – eine clevere Hybridstrategie.

Für und Wider

Endgültiges Urteil

Für Einzelentwickler, Startups und Teams, die iterativ an Produkten arbeiten, stellt dies einen potenziellen Treiber für den Arbeitsalltag dar, der die Wirtschaftlichkeit KI-gestützter Entwicklung grundlegend verändern kann. Das kommende, größere Modell, das mit xAI-Computing trainiert wird, könnte diese Entwicklung noch weiter vorantreiben.

Wenn Sie Cursor bereits nutzen, aktivieren Sie Composer 2.5 (standardmäßig Schnell) und probieren Sie es noch heute aus – insbesondere solange die doppelte Nutzung noch möglich ist. Für alle anderen ist dies ein weiterer überzeugender Grund, Cursor genauer unter die Lupe zu nehmen.