機(jī)器之心報(bào)道

編輯：+0

Cursor Tab 是 Cursor 的核心功能之一，它通過分析開發(fā)者的編碼行為，智能預(yù)測并推薦后續(xù)代碼，開發(fā)者僅需按下 Tab 鍵即可采納。

然而，它也面臨著一個 AI 普遍存在的難題：「過度熱情」。有時，它提出的建議不僅毫無用處，甚至?xí)驍嚅_發(fā)者的思路。

問題的關(guān)鍵，不只是讓 AI 寫出更優(yōu)秀的代碼，更是要教會它「察言觀色」：在最恰當(dāng)?shù)臅r機(jī)提供幫助，在其他時候則保持安靜。

基于此，Cursor 采用在線強(qiáng)化學(xué)習(xí)技術(shù)訓(xùn)練出一個全新的 Tab 模型。該模型將每一次用戶交互（接受/拒絕建議）都視為一個強(qiáng)化信號，直接用于模型的在線優(yōu)化。在每天超過 4 億次請求的巨大流量驅(qū)動下，模型得以進(jìn)行高頻度的、基于真實(shí)世界反饋的持續(xù)學(xué)習(xí)。

Cursor 已將這個新的 Tab 模型設(shè)為默認(rèn)版本。與舊模型相比，新模型提供的建議數(shù)量減少了 21%，但所提供建議的接受率卻提升了 28%。此舉旨在提升用戶的編碼體驗(yàn)，Cursor 也計(jì)劃在未來繼續(xù)深化這些方法的研究。

Cursor 的策略獨(dú)特且高效：它每天多次向用戶部署新模型（每隔 1.5-2 小時），利用實(shí)時數(shù)據(jù)進(jìn)行快速訓(xùn)練和優(yōu)化。

這與主流做法形成了鮮明對比。多數(shù)廠商仍在靜態(tài)數(shù)據(jù)集上進(jìn)行長周期訓(xùn)練，依賴人工標(biāo)注，數(shù)月才發(fā)布一次新模型。Cursor 的模式則建立了一個超高頻的實(shí)時反饋循環(huán)，是對傳統(tǒng)模型開發(fā)流程的徹底顛覆。

這似乎又一次向我們證明了，誰掌握了數(shù)據(jù)入口，誰就掌握了 AI 進(jìn)化的主動權(quán)。

該功能在 AI 社區(qū)也得到了非常積極的反饋，有用戶表示這是 Cursor 當(dāng)前「護(hù)城河」，并愿意為 Cursor Tab 單獨(dú)付費(fèi)。

還有開發(fā)者認(rèn)為，它能大幅提升了生產(chǎn)力，不像 agent 那樣只有噱頭，而是「比其他任何功能都更能改善工作流程」。

另外，一條被「強(qiáng)化學(xué)習(xí)之父」Richard Sutton 轉(zhuǎn)發(fā)的評論表示，Cursor 的這個做法意義重大，它首次大規(guī)模證明了「實(shí)時在線學(xué)習(xí)」的巨大威力，并且指明了 AI 未來的一個重要發(fā)展方向，盡管目前還不夠完美。

Cursor 通過一篇博客介紹了他們?nèi)绾卫眠@些數(shù)據(jù)，通過在線強(qiáng)化學(xué)習(xí)技術(shù)來優(yōu)化其 Tab 模型。

• 博客地址：https://cursor.com/cn/blog/tab-rl

「干擾性建議」的挑戰(zhàn)

要實(shí)現(xiàn)高接受率，不僅需要提升模型本身的智能水平，更關(guān)鍵的是要判斷何時應(yīng)提供建議，何時應(yīng)保持靜默。在某些場景下，上下文信息不足以準(zhǔn)確判斷用戶的意圖。即便模型具備完美的知識和推理能力，也無法預(yù)知用戶的確切操作。在這些情況下，不提供任何建議是更優(yōu)的選擇。

為提升建議的接受率，一種直接的思路是訓(xùn)練一個獨(dú)立的分類模型來預(yù)測建議是否會被采納。據(jù) Parth Thakkar 在 2022 年披露，GitHub Copilot 便采用了此種策略。它通過一個邏輯回歸模型計(jì)算「上下文過濾分?jǐn)?shù)」，該模型接收 11 個特征作為輸入，涵蓋了編程語言、前次建議的采納情況、光標(biāo)前的字符序列等。盡管該模型的確切預(yù)測目標(biāo)未知，但外界普遍猜測其旨在預(yù)測建議被用戶接受的概率。當(dāng)該分?jǐn)?shù)低于 15% 時，系統(tǒng)便會跳過此次建議。

該方案雖然可行，但 Cursor 的團(tuán)隊(duì)希望尋求一種更通用的機(jī)制，以便能復(fù)用 Tab 模型自身學(xué)到的強(qiáng)大代碼表征能力。他們希望從根源上讓 Tab 模型避免生成質(zhì)量不高的建議，而非僅僅在事后進(jìn)行過濾。因此，他們最終選擇了策略梯度方法。

策略梯度方法

策略梯度是一種通用的優(yōu)化框架，其目標(biāo)是調(diào)整「策略」（在此即 Tab 模型），以最大化「獎勵」（Reward）。獎勵是一個被賦予策略所執(zhí)行的每一個動作的數(shù)值。通過策略梯度算法，可以持續(xù)更新策略，使其在未來能夠獲得更高的平均獎勵。

該類算法的核心思想是：允許策略進(jìn)行探索性的隨機(jī)嘗試，觀察不同行為所帶來的獎勵高低，然后對獲得高獎勵的行為進(jìn)行正向強(qiáng)化，對導(dǎo)致低獎勵的行為進(jìn)行負(fù)向強(qiáng)化。

為了運(yùn)用策略梯度方法優(yōu)化 Tab，團(tuán)隊(duì)定義了一個精巧的獎勵函數(shù)：鼓勵被采納的建議，同時懲罰那些被展示但未被采納的建議。

例如，假設(shè)目標(biāo)是當(dāng)建議的接受率不低于 25% 時才進(jìn)行展示。那么，可以為被采納的建議設(shè)定 0.75 的獎勵，為被拒絕的建議設(shè)定 -0.25 的獎勵，而未展示建議的情況獎勵為 0。如果一個建議的真實(shí)接受概率為 p，那么展示該建議的期望獎勵就是。該值僅在 p>0.25 時為正。因此，一個旨在最大化獎勵的策略，將學(xué)會在其預(yù)估接受率超過 25% 時才給出建議。

在實(shí)際應(yīng)用中，Cursor 使用的獎勵函數(shù)更為復(fù)雜，還考慮了建議的長度、代碼跳轉(zhuǎn)以及展示更多建議的可能性等因素。但其核心理念是一致的：并非直接對接受率進(jìn)行建模，而是學(xué)習(xí)一個能夠達(dá)成特定接受率目標(biāo)的策略。

可以推斷，模型在其內(nèi)部表征中自發(fā)學(xué)習(xí)到了對接受概率的評估（或至少是評估其是否超過 25%），而這個過程完全交由優(yōu)化器自行探索。

同策略（On-Policy）數(shù)據(jù)的重要性

然而，該方法有一個關(guān)鍵前提：用于計(jì)算梯度的動作樣本，必須來自于當(dāng)前正在優(yōu)化的策略。一旦策略被更新，舊的數(shù)據(jù)便不再是「同策略（On-Policy）」數(shù)據(jù)。

為了獲取最新的有效樣本，就必須將新模型部署給用戶并收集其行為數(shù)據(jù)。這意味著需要一套高效的基礎(chǔ)設(shè)施，以快速部署新的模型檢查點(diǎn)，并縮短從用戶產(chǎn)生數(shù)據(jù)到數(shù)據(jù)進(jìn)入下一輪訓(xùn)練流程的時間。

目前，Cursor 推出一個檢查點(diǎn)并收集所需數(shù)據(jù)需要 1.5 到 2 小時。盡管這在人工智能行業(yè)已屬高效，但仍有進(jìn)一步優(yōu)化的空間。

Cursor 這次更新讓你心動了嗎？