Cursor lanzó Composer 2, su modelo propio de IA para código. Supera a Composer 1.5 en todos los benchmarks y cuesta 60 veces menos que Claude Opus 4.6.

Cursor acaba de publicar Composer 2, su segundo modelo de inteligencia artificial propio para programación, disponible desde el 19 de marzo de 2026 (Cursor Team, 2026). Lo notable no es solo la calidad del modelo, sino la ecuación completa: rendimiento de nivel frontier a una fracción del costo de los grandes laboratorios de IA.

¿Qué tan bueno es Composer 2 en los benchmarks?

Los números hablan con claridad. En las tres métricas que Cursor mide públicamente, Composer 2 supera ampliamente a sus versiones anteriores (Cursor Team, 2026). Vale la pena detenerse en el salto entre Composer 1.5 y Composer 2: en apenas un mes, el equipo cerró la brecha del 10% que separaba a Composer 1.5 de Claude Opus 4.6 en Terminal-Bench 2.0 y lo superó (Spencer, 2026).

El factor precio: la diferencia que cambia el cálculo

Composer 2 se ofrece a $0.50/M tokens de entrada y $2.50/M de salida (Cursor Team, 2026). Para ponerlo en perspectiva concreta: un proyecto que consume 10 millones de tokens de entrada al mes con Claude Opus 4.6 —a $30/M— costaría aproximadamente $300 mensuales. El mismo volumen con Composer 2 cuesta $5. Existe además una variante rápida a $1.50/$7.50 por millón, que aun así resulta más económica que la mayoría de los modelos frontier del mercado (Cursor Team, 2026).

¿Qué hay detrás del salto de calidad?

La mejora no proviene de escalar parámetros, sino de un cambio metodológico. Cursor introdujo su primer ciclo de continued pretraining propio, que proporciona una base más sólida antes de aplicar reinforcement learning en tareas de largo horizonte (Cursor Team, 2026). Lo cierto es que la innovación más interesante es técnicamente discreta pero de gran impacto práctico: la técnica llamada compaction-in-the-loop reinforcement learning.

¿Cómo funciona el compaction-in-the-loop?

En lugar de usar un proceso externo para resumir el contexto cuando el agente alcanza el límite de la ventana, Cursor integró la summarización directamente en el ciclo de entrenamiento por reinforcement learning (Spencer, 2026). El modelo aprende qué información conservar porque recibe recompensa negativa cuando olvida detalles críticos —como el nombre de una variable o un bug ya corregido— y falla la tarea. El resultado: una reducción del 50% en la tasa de olvido (compaction error) respecto a métodos anteriores, y resúmenes de contexto 5 veces más eficientes en tokens (Spencer, 2026). Esto es lo que permite a Composer 2 resolver tareas que requieren cientos de acciones secuenciales sin perder el hilo del objetivo original.

Tres generaciones en cinco meses: el ritmo que sorprende

Anysphere —la empresa detrás de Cursor— publicó Composer 1 en octubre de 2025, Composer 1.5 en febrero de 2026 y Composer 2 el 19 de marzo de 2026 (Spencer, 2026). Ese cadence de iteración es difícil de igualar incluso para laboratorios con cientos de investigadores, y se explica en parte por el enfoque estrecho: un modelo entrenado específicamente para el flujo de trabajo de un editor de código, sin las distracciones de multimodalidad o razonamiento general. Sumado a esto, Cursor alcanzó un run rate de $2,000 millones de ARR en febrero de 2026 —apenas 33 meses después de su fundación— lo que acelera aún más su capacidad de inversión en investigación (Spencer, 2026).

¿Vale la pena migrar a Composer 2 desde modelos externos?

Para equipos que ya usan Cursor, la respuesta es directa: Composer 2 está disponible hoy en la plataforma y su uso forma parte del pool de consumo incluido en los planes individuales, sin costo adicional inmediato (Cursor Team, 2026). Para quienes evalúan Cursor frente a soluciones como Claude Code o Copilot, la combinación de benchmarks competitivos y precios significativamente menores convierte a Composer 2 en el argumento más sólido que la empresa ha presentado hasta ahora. El siguiente paso natural es probarlo en un proyecto real con tareas de refactorización de repositorios completos, que es precisamente donde la técnica de compaction-in-the-loop muestra su ventaja más clara.