Cursor推出智能模型路由Router

别再一个模型撸到底，你大部分任务都用不着 Fable 5 和 GPT-5.6 Sol 这么强（贵 !）的模型！ Cursor 团队观察数据：约 60% 的 Cursor 开发者只固定使用一个"主力模型"，因此 Cursor 推出「Cursor Router」：用一个训练好的分类器替开发者选模型，在保持前沿模型质量的同时把成本降低 30–60%！ https://t.co/TSuWbhzI6K 这个请求级分类器是怎么实现的？ · 训练数据来自真实流量：基于 60 万+ 条线上真实请求训练，并在数百万条线上请求的 A/B 测试中验证，优化目标是用户满意度（AFC）作为奖励信号。 · 路由依据四个维度：查询内容、上下文、任务复杂度、领域，再结合 Cursor 对各模型行为特征的了解。分工示例：简单任务给性价比模型，UI 修改给"审美最好"的模型，复杂长程问题给前沿推理模型。 · 缓存感知（cache-aware）是亮点。切换模型必然导致 prompt cache 失效，这部分额外成本很容易被忽略。Cursor Router 在训练数据中就包含了路由导致缓存未命中的场景，报告的成本节省也已计入缓存失效成本。这让它的数据更可信。 · 为模型快速迭代而设计：分类器架构便于在新模型发布后快速纳入路由池，不必推倒重来。 三种模式效果数据表现如何？ · Intelligence 模式：用户满意度接近 Fable，成本低约 60%；与 Opus 4.8 成本相近时满意度反而高约 15%。 · Balance 模式：满意度高于 Opus 4.8，成本低约 36%。 单次 commit 成本：Intelligence 为 $6.76、Balance 为 $4.63，对比 Fable 5 的 $12.69 和 Opus 4.8 的 $7.34。 · 企业早期客户：数千用户规模的三个高用量账户，相比全量走 Opus 4.8，节省 30–50% 且质量无下降。 评估方法论挺有意思 Cursor 明确放弃离线评测（offline evals），理由是样本小、脱离真实使用场景、难以用评分标准定义"成功"，且无法体现切换模型的缓存成本。他们改用两个线上指标： 1. 用户满意度——用户直接进入下一个任务是强正信号，纠正 agent 是强负信号； 2. Keep rate——agent 生成的代码在代码库中的留存比例。 这两个指标他们已用了九个月来评估每次模型发布和 harness 改进，是经过内部验证的度量体系。 产品与管控设计 面向 Teams / Enterprise：用户在模型选择器中选 Auto，再选 Intelligence / Balance / Cost 三档；管理员可以按团队分级开启、限定成员可选的模式、设置默认档位、允许或屏蔽特定模型。覆盖桌面端、Web、iOS、CLI 和 SDK。 值得注意的背景与延伸 · Dynamic tool calling：大部分原生工具描述不再默认加载进每个 prompt，模型首次需要时才查询（沿用 MCP 的模式），高频工具如 read/edit 保持常驻。这直接压缩了每次请求的固定 token 开销。 · 模型池两端同时拉升：Grok 4.5 抬高上限（承接高难度任务），Composer 持续改进日常路径（低成本档位不掉质量）。  > **引用原帖 Cursor (@cursor_ai):** > Introducing Cursor Router, our intelligent model router that selects the right model for the task at hand. > Router delivers frontier-quality results at 60% lower cost. https://t.co/R0YABowFKg > https://x.com/cursor_ai/status/2079993729532989500