آموزش یک عامل (Agent) برای مدیریت ۱۰۰ هزار توکن، یک کابوس ریاضی است؛ چرا که یک نمره «رد» در پایان مسیر، تقریباً هیچ سیگنال مفیدی به توکن‌های میانی نمی‌رساند. وقتی پاداش در یک اجرای عظیم پخش شود، گرادیان هر حرکت خاص در نویز غرق شده و مدل به‌جای یادگیری اصلاحات دقیق، در جهتی میانگین حرکت می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی نرخ موفقیت ۳۶ درصدی در Cursor Composer 2.5 اشاره کردیم، این ابزار اکنون سازوکار دقیق این پیشرفت را افشا کرده است. طبق اعلام تیم توسعه، نسخه‌ی جدید که در ۱۸ مه ۲۰۲۶ منتشر شد، بر پایه چک‌پوینت متن‌باز Moonshot Kimi K2.5 است و بر تغییر بنیادین در نحوه اعمال یادگیری تقویت‌شده (RL) در عامل‌های با بافت بلند تمرکز دارد.
به نقل از تحلیل فنی در dev.to، شرکت Cursor از روش «یادگیری تقویت‌شده با بازخورد متنی هدفمند» (Targeted Textual Feedback RL) برای محلی‌سازی گرادیان استفاده می‌کند. در این روش، به‌جای تکیه بر یک پاداش اسکالر (Scalar Reward) در انتهای جلسه، یک بازه مشخص — معمولاً حدود ۵۰ توکن — شناسایی شده و یک راهنمای متنی کوتاه (مثلاً «ابتدا ایمپورت‌های فایل را بررسی کن») در بافت محلی درج می‌شود. این توزیعِ شرطی‌شده با راهنما، نقش معلم را ایفا می‌کند و یک زیان KL در تقطیر درون-سیاستی (On-policy distillation KL loss) احتمالات مدل دانش‌آموز را تنها در آن بازه خاص به سمت معلم سوق می‌دهد.
اثر ریاضی این تغییر تکان‌دهنده است. در یک اجرای ۱۰۰ هزار توکنی، پاداش اسکالر استاندارد سیگنالی در حدود $10^{-5}$ (۰.۰۰۱٪) برای هر توکن ایجاد می‌کند. در مقابل، بازخورد هدفمند در یک بازه ۵۰ توکنی، شدت سیگنال را به حدود ۲٪ می‌رساند؛ یعنی اعتبار محلی تقریباً ۲۰۰۰ برابر قوی‌تر می‌شود. این رویکرد با RLVR (یادگیری تقویت‌شده با پاداش‌های قابل تأیید) ترکیب شده و از طریق Sharded Muon و HSDP بهینه شده است. هم‌زمان، Cursor در حال آموزش یک مدل پیشرو با همکاری SpaceXAI روی کلاستر Colossus 2 با استفاده از حدود ۱ میلیون GPU معادل H100 است.
این چرخش نشان‌دهنده تکامل مهندسی عامل‌هاست: با تبدیل شدن رویه‌های زمان استنتاج (Inference-time) مانند اجراهای طولانی به ستون‌های اصلی سیستم، پس‌آموزش باید از پاداش‌های کلی به سمت اصلاحات محلی حرکت کند. برای این حوزه، معنای این اتفاق آن است که مشکل تخصیص اعتبار (Credit Assignment Problem) نه با مدل‌های پاداش پیچیده‌تر، بلکه با بازطراحی تابع زیان برای پذیرش مداخلات متنی انسانی حل می‌شود.
گام بعدی شما
- بررسی اثر تقطیر هدفمند بر پایداری سایر عامل‌های با پنجره متنی بلند.
- تحلیل نتایج خروجی از آموزش‌های کلاستر Colossus 2 شرکت SpaceXAI.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو