微軟釋出安全模型 MAI-Cyber-1-Flash：跑分超 Mythos，成本砍半

以前排查程式碼漏洞，駭客拿著自動化工具到處掃，防守方哪怕用上頂級大模型，也經常陷入兩難。原因很簡單：如果給海量程式碼做 7x24 小時的全天候即時巡檢，呼叫前沿大模型的 Token 賬單很快就會把預算打爆。

微軟在 7 月 27 日給出了自己的解法。他們釋出了自研的安全輕量模型 MAI-Cyber-1-Flash，並把它直接裝進了名為 MDASH 的多智慧體漏洞排查與修復框架中。

讓小模型幹粗活，把賬單直接砍半

這套系統的核心邏輯非常務實，說白了就是梯次分工。安全防守是一項時刻不能停的任務，但絕大多數安全事件並不需要最聰明、最昂貴的模型來處理。

微軟把日常高達 90% 的漏洞掃描和常規分析任務全分給了 MAI-Cyber-1-Flash。至於剩下 10% 真正棘手、需要極深推理能力的硬骨頭，才會被轉交給像 GPT-5.4 這樣的超大模型。

按照微軟公佈的資料，和之前由 GPT 5.4、5.4 mini 和 5.3 codex 組成的方案相比，這套多模型協同機制直接把執行成本削減了 50%。

在程式碼漏洞評估基準 CyberGym 上，搭配了新模型的 MDASH 拿下了 96% 的崩潰觸發率，表現超過了 Mythos、Gemini 以及 GPT 方案。在微軟後續更新的嚴苛提交規則下，它的最終提交得分也達到了 86.3%。

百個智慧體進沙箱，底氣全在歷史資料

MAI-Cyber-1-Flash 本身衍生自微軟自研的 MAI-Thinking-1 體系，專攻高密度程式碼推理。但光有一個精簡模型顯然不夠支撐整個防線。

這次微軟還同步推出了一個名為 Perception 的智慧體安全監控系統。它在 MDASH 內部排程了 100 多個由專業安全人員調優的智慧體，專門負責在軟體生命週期裡持續監控、驗證和自動修補威脅。

讓 AI 深入程式碼層找漏洞，大家最怕的莫過於智慧體反向引入風險。為此，微軟給整個系統套上了無外網訪問許可權的沙箱執行環境、租戶隔離以及企業級審計機制，並經過了自研紅隊與第三方的攻防對抗檢驗。

微軟敢做這套閉環，核心壁壘在於每天處理的超過 100 萬億條安全訊號，以及來自 160 萬企業客戶的真實攻防沉澱。這種知道什麼攻擊被攔截、什麼補丁真正起效的端到端強化學習迴路，是別家很難複製的。

為什麼重要

對於企業和一線運維人員來說，這意味著常態化的「即時程式碼審計」終於在成本上行得通了。以前很多團隊只能按周或按月掃一次程式碼，純粹是算力成本太高，現在換上大小模型搭配的架構，完全值得立刻在內部測試管線中試跑。

從行業競爭來看，這說明巨頭在安全戰場上不再盲目堆砌通用大模型，而是轉向了「專用小模型加智慧體編排」的實用路線。雖然微軟在底層生態上深度繫結 OpenAI，但在關乎自家根基的企業安全底座上，微軟正在迅速扶正自研的 MAI 家族。

我們認為微軟這一步走得相當聰明。他們沒有拿小模型去硬剛通用推理，而是把它卡在 90% 的低成本過濾層，既保護了客戶的預算，又牢牢鎖住了自身安全資料的壁壘。

不過潛在隱患依然存在。智慧體自動生成補丁並試圖閉環修補，本質上是在生產環境邊緣遊走。即使有離網沙箱保護，一旦模型在複雜依賴關係中產生輕微誤判，打出的錯誤補丁很可能比漏洞本身造成更嚴重的業務癱瘓。