Cursor 升级 Tab 模型，实时强化学习提升开发者建议精准度
Cursor 是一款基于人工智能的编程平台，最近宣布对其 Tab 模型进行了升级。Tab 模型是为开发者提供自动补全建议的系统。此次升级显著减少了低质量建议的数量，提高了建议的准确性。具体来说，新的 Tab 模型相比于之前的版本，建议数量减少了21%，而接受率提高了28%。 Cursor 在其博客中表示，实现高接受率不仅仅是让模型变得更智能，还需要懂得何时提供建议、何时不提供。为了应对这一挑战，Cursor 考虑了训练一个单独的模型，用于预测某个建议是否会被接受。该公司引用了一项2022年的研究，指出这种方法在 GitHub Copilot 中取得了成功。研究中采用了逻辑回归过滤器，分析编程语言、最近的接受历史和训练字符等特征，将那些得分较低的建议隐藏起来。 然而，Cursor 认为这种解决方案虽然可以预测用户接受建议的概率，但希望有一个更通用的机制，能够重用 Tab 模型学到的强大代码表示。Cursor 希望通过改变 Tab 模型的结构，避免在最初就产生低质量建议，而不是后续再进行过滤。 因此，Cursor 采用了策略梯度方法，这是一种强化学习的方法。当用户接受建议时，模型会得到奖励...
