@leerob：Composer 2 透過「遞迴自我提升」機制，利用自身能力優化訓練環境並加速下一代模型的演進。 核心機制 Lee Robinson 指出，目前團隊正使…

Composer 2 透過「遞迴自我提升」機制，利用自身能力優化訓練環境並加速下一代模型的演進。 核心機制 Lee Robinson 指出，目前團隊正使用 Composer 來訓練下一代 Composer 模型。這種「遞迴自我提升」並非全新概念，但已在內部持續運作數月。其核心邏輯在於： 大型語言模型的訓練需要大量強化學習（RL）資料，本質上是讓模型透過「遊戲」來提升特定任務的評分能力。 新一代模型具備自動配置環境的能力，能自行安裝依賴套件並修復損壞的設定，確保這些訓練用的「遊戲」能順利執行。 技術演進 模型能力的提升會形成正向循環，進而改變訓練的效率： Composer 2 在環境配置與自我修復任務上的表現，較第一代有顯著的飛躍。 模型表現越優異，就越能為其後繼者創造更佳的訓練條件。 每一代模型都能解鎖前一代無法企及的新能力，實現技術迭代的加速。 詳細資訊可參考 Cursor AI 的官方說明 。 原文：https://easyvibecoding.app/curated/1919