Microsoft发布MAI-Cyber-1-Flash，助MDASH在CyberGym上突破95.95%得分

背景概述

随着软件供应链风险持续上升，企业对自动化漏洞检测的需求急速增长。微软去年公布的MDASH（Multi‑Model Agentic Scanning Harness）已在公开排行榜上以88.45%领先，然而仍受限于通用大模型的成本与响应速度。为突破瓶颈，微软AI实验室在2026年5月推出MAI‑Code‑1‑Flash，并在此基础上细化出专用于网络防御的MAI‑Cyber‑1‑Flash。

模型核心特性

参数规模：总计137 B参数，稀疏激活仅5 B，采用Mixture‑of‑Experts层实现高效计算。
上下文长度：256 k token，支持超长代码与安全报告的完整上下文理解。
输入输出：仅限文本，专注漏洞描述、补丁建议等防御任务。
训练基线：基于MAI‑Code‑1‑Flash微调，继承其在代码理解上的优势。

与MDASH的深度融合

MDASH通过五阶段流水线（Prepare → Scan → Validate → Dedupe → Prove）调度百余个专用代理。MAI‑Cyber‑1‑Flash负责其中约90%的任务，包括漏洞扫描、威胁情报关联与恶意软件分析；余下最困难的10%任务则交由更强大的GPT‑5.4处理。此路由策略实现了约**50%**的成本节约，并提升整体检测成功率。

基准成绩

基准	系统得分
CyberGym（默认Level 1）	95.95%
之前MDASH（仅通用模型）	88.45%
竞争对手Mythos（Anthropic）	约83.2%‑85.6%

在CyberGym的1 507项真实漏洞复现任务中，MDASH+MAI‑Cyber‑1‑Flash组合实现了显著的召回提升。值得注意的是，ExploitGym的攻击生成分数为0/0/0，微软声明模型仅用于防御，不生成恶意代码。

成本与安全影响

成本：90%任务由5 B活跃模型完成，较全程使用GPT‑5.4的方案降低约50%。
安全产出：MDASH在2026年5月已帮助发现16个CVE，其中4个为关键远程代码执行漏洞；回溯数据显示在过去五年内对MSRC的28个clfs.sys案例恢复率达96%。

行业意义与展望

“通过专用防御模型与通用大模型的协同，我们在保持高安全覆盖率的同时，显著压缩了运营成本。”——微软Autonomous Code Security（ACS）团队负责人

MAI‑Cyber‑1‑Flash的发布标志着生成式AI首次在大规模安全防御流水线中实现稀疏激活模型的落地。未来，微软计划将该模型进一步开放给Azure安全服务，以帮助更多企业构建自研的漏洞检测管道。