Routeren blev trænet på over 600.000 live-anmodninger og evalueret i online A/B-tests på tværs af millioner af rigtige brugeranmodninger, hvor brugertilfredshed (AFC) fungerede som belønningsmetrik . Den analyserer hver anmodnings forespørgsel, kontekst, opgavekompleksitet og domæne, kombineret med indlært viden om hver models styrker . Systemet er også cache-bevidst i både træning og evaluering, hvilket betyder, at de rapporterede besparelser inkluderer omkostningerne ved cache-miss som følge af modelskift .
I en tidlig testfase med dusinvis af enterprise-kunder observerede Cursor 30-50 % besparelser i forhold til at sende alt til Opus 4.8, uden fald i kvalitet . I bredere A/B-tests:
Det angivne interval på 31-52 % stemmer overens med disse tal – den lave ende (~30 %) matcher de tidlige enterprise-resultater, og den høje ende (~60 %) matcher de offentliggjorte besparelser for Auto Intelligence .
Cursor Router tilbyder tre tilstande, der lader brugerne bestemme, hvor de vil placere sig på Pareto-fronten mellem omkostning og intelligens .
| Tilstand | Beskrivelse |
|---|---|
| Intelligence | Frontlinjekvalitet, der matcher de dyreste og mest kraftfulde modeller, som ellers kan være uden for rækkevidde til daglig brug . |
| Balance | Stærk kvalitet, der matcher de frontlinjemodeller, de fleste foretrækker til daglig brug . |
| Cost | God kvalitet, der når den højest tilgængelige intelligens, mens token-forbruget optimeres . |
Brugerne vælger tilstand via "Auto"-indstillingen i modelvælgeren . Balance og Intelligence faktureres til den routede models sats .
Administratorer kan :
Enterprise-kunder får desuden :
Cursor Router er tilgængelig på desktop, web, iOS, CLI og SDK .
Cursors årlige tilbagevendende omsætning (ARR) nåede 2 milliarder dollars i februar 2026, en fordobling fra 1 milliard dollars på bare tre måneder – hvilket gør det til en af de hurtigst voksende SaaS-virksomheder nogensinde . Omkring 60 % af omsætningen kommer fra erhvervskunder .
Denne lancering afspejler en markant tendens i branchen: I takt med at AI-kodning skalerer i hidtil uset tempo, skyder enterprise-AI-omkostningerne også i vejret. Modelroutingsløsninger som Cursor Router adresserer dette direkte ved automatisk at matche opgavekompleksitet med modelomkostninger og dermed forhindre spild af frontlinjemodelpriser på rutineopgaver . Samme tendens ses på tværs af branchen – konkurrenter og tredjeparter bygger lignende routere, og Cursors egne data viste, at ~60 % af udviklerne valgte en enkelt frontlinjemodel som deres daglige driver, hvilket fik forbruget til at vokse langt hurtigere end outputkvaliteten .