Microsoft 在 MDASH 中推出 MAI-Cyber-1-Flash，一款成本高效的人工智能安全模型

Why it matters

MAI‑Cyber‑1‑Flash shows how AI can halve security model costs while boosting detection accuracy, a crucial shift for enterprises battling ever‑more sophisticated software vulnerabilities.

2026年7月27日，Microsoft 宣布将 MAI‑Cyber‑1‑Flash 集成到其多智能体漏洞识别与修复平台 MDASH 中。官方 Microsoft AI 博客在文章中将该模型框定为一款“world‑class”安全产品，声称其以大约领先 AI 模型 50% 的成本提供性能。

根据公告，MAI‑Cyber‑1‑Flash “beats Mythos, Gemini and GPT on CyberGym, the gold‑standard benchmark for evaluating how systems reason over large codebases to find real vulnerabilities in the code.” 该模型在 CyberGym 上取得了 96% 的分数，比此前的基准冠军 Mythos 提高了 12 个点。Microsoft 宣称，与现有 MDASH 堆栈（在最具挑战性的 10% 任务中依赖 GPT‑5.4、GPT‑5.4 mini 和 GPT‑5.3 Codex）相比，这一性能可转化为 50% 的成本节省。

为什么该模型在当下重要

网络安全从业者面临不断变化的威胁格局，攻击者利用日益复杂的 AI‑驱动工具扫描庞大的代码库以寻找可利用的单一缺陷。随着自动化漏洞发现成本的骤降，传统的“scan‑occasionally, patch‑eventually”范式正变得不可持续。Microsoft 的博客认为，token 成本已成为防御方的主要制约因素，而 MAI‑Cyber‑1‑Flash 的设计目标是处理多达 90% 的常规安全任务，将最昂贵的模型保留给最难的 10% 案例。

该模型源自 MAI‑Thinking‑1 血统，在内部以“the highest quality data”构建，并由 Microsoft 的网络安全专家进行调优。文章中链接的一份技术报告（参见博客中的“技术报告中的详细信息”引用）据称概述了架构、训练数据和基准方法论，尽管完整报告并未在此处再现。

战略影响

通过将一个轻量、以代码为中心的安全模型直接嵌入 MDASH，Microsoft 旨在为企业提供一个在成本与准确性之间平衡的统一 AI 安全堆栈。成本优势可能使先进的 AI‑驱动扫描对先前无力负担用于持续安全监控的大型语言模型的小型机构变得可及。与此同时，Perception 的集成表明 Microsoft 更广泛地押注于自主代理式 AI 系统，以自动化端到端的安全运营。

行业背景

此次发布紧随一波云服务提供商推出的以 AI 为中心的安全产品浪潮，包括 Google Cloud 的 AI‑enhanced Threat Detection 和 Amazon 的 GuardDuty AI extensions。Microsoft 将 MAI‑Cyber‑1‑Flash 定位为其基于 GPT‑5.4 堆栈的“half‑price”替代方案，这使其在经济性方面与众不同，而非仅在原始能力上，这一点可能会引起对成本敏感的企业买家的共鸣。

接下来

Microsoft 表示 Perception 将很快在更多安全工作流中扩展对 MAI‑Cyber‑1‑Flash 的使用，但未披露具体时间表。该公司还承诺将在即将发布的报告中提供更多技术细节，这可能会阐明模型训练数据的来源以及在高度异构代码库中部署时的任何潜在局限性。

该公告由 Microsoft AI 部门的高级领导 Mustafa Suleyman 和 Hayete Gallot 撰写，并发布在官方 Microsoft AI 博客上。

来源: Microsoft AI – Introducing MAI‑Cyber‑1‑Flash inside MDASH