‏روتر Cursor چطور مدل رو انتخاب می‌کنه

کرسر تو یه پست فنی توضیح داده Cursor Router — که ۲۲ ژوئیه با دو حالت Auto Intelligence و Auto Balance معرفی شد — الان دقیقاً چطور کار می‌کنه. به گفتهٔ تیم کرسر، از زمان معرفی هر دو حالت بهتر شدن: Auto Intelligence رضایتی بالاتر از سطح Fable با ۶۸٪ هزینهٔ کمتر می‌ده و Auto Balance از Opus 4.8 بهتر عمل می‌کنه، اون هم با ۴۱٪ هزینهٔ کمتر.

ایدهٔ پایه اینه که انتخاب مدل باید از عملکرد واقعی روی کار توسعه‌دهنده‌ها یاد گرفته بشه، نه از نمرهٔ بنچمارک. برای همین دیتاستی از صدها هزار نوبتِ ترافیک زندهٔ کرسر ساختن که دو خروجی رو نگه می‌داره: کارایی، که از رفتار بعدی کاربر استنتاج می‌شه (رفتن سراغ کار بعدی سیگنال مثبته، اصلاح‌کردن ایجنت سیگنال منفی)، و هزینه، که از قیمت API و مصرف توکن حساب می‌شه و حتی cache miss ناشی از عوض‌کردن مدل رو هم لحاظ می‌کنه.

قسمت اول کار رو Compass انجام می‌ده: به هر نوبت نمره‌ای بین ۰ تا ۱ می‌ده که در واقع پیش‌بینی رضایت کاربره و به‌عنوان معیار پیچیدگی استفاده می‌شه. منطقش اینه که بعد از کارهای ساده مثل کامیت‌زدن کسی درخواست اصلاح نمی‌ده، ولی کار پیچیده معمولاً پیگیری می‌خواد. تو ارزیابی زنده، نوبت‌هایی که Compass بیشترین شانس موفقیت رو براشون قائل بود ۹۶٪ سیگنال مثبت گرفتن و کم‌شانس‌ترین‌ها ۷۱٪. یه آستانه روی همین نمره مشخص می‌کنه چی روی مدل ارزون بمونه.

اگه نوبت پیچیده باشه، نوبتِ تاکسونومیه که کار رو تو سه بُعد توصیف می‌کنه: دامنه (بک‌اند، اسکیمای دیتابیس، فرانت‌اند)، نوع کار (رفع باگ، اجرای دستور، نوشتن تست) و مادیفایرها (مثل ویرایش‌های محدود یا کارهای بصری). مقایسهٔ مدل‌ها نشون داده هیچ مدلی همه‌جا برنده نیست: Grok برای کارهای روتین و ارزون مثل دستورهای Git، Sol برای برنامه‌ریزی و فهم کدبیس، Opus برای کارهای اجرایی مثل دواپس و کوئری دیتابیس، و Fable برای دیباگ و پیاده‌سازی بصری.

انتخاب نهایی دو قاعده داره: یه مدل فقط وقتی واجد شرایطه که برتری‌ش نسبت به مدل ارزون از آستانهٔ ۷۵٪ اطمینان رد بشه، و بعد بهینه‌ساز ترکیبی رو برمی‌داره که بیشترین بهبود رو تو سقف بودجهٔ هزینهٔ اون حالت بده. سیاست‌ها اول با cross-validation و یه مجموعهٔ تست کنارگذاشته تنظیم و بعد روی ترافیک زنده سنجیده شدن. کرسر می‌گه Opus 5 هم به ترکیب اضافه شده و هدف بعدی روتریه که مدام از نتایج پروداکشن یاد بگیره.

نکات کلیدی:

• Compass پیچیدگی هر نوبت رو با پیش‌بینی رضایت کاربر تخمین می‌زنه و تصمیم می‌گیره مدل ارزون کافیه یا نه
• تاکسونومی دامنه/کار/مادیفایر مشخص می‌کنه کدوم مدل قوی برای اون نوع کار بهتره
• دیتاست از ترافیک زندهٔ کرسر ساخته شده و هزینهٔ cache miss ناشی از سوییچ مدل رو هم می‌بینه
• Auto Intelligence با ۶۸٪ هزینهٔ کمتر و Auto Balance با ۴۱٪ هزینهٔ کمتر از مدل‌های تکی جلو زدن