微软发布专用网络安全大模型MAI-Cyber-1-Flash

首款专用于网络防御的大模型

Microsoft AI正式发布MAI-Cyber-1-Flash——其首个专为网络防御任务设计的大语言模型。该模型并非以独立API或终端形式交付，而是深度嵌入微软自研的多模型智能体扫描框架MDASH（Multi-model Agentic Scanning Harness）中运行，作为核心推理组件协同其他模型完成自动化安全分析。

架构与能力特征

MAI-Cyber-1-Flash采用Transformer架构，融合自注意力机制与稀疏混合专家（MoE）层。模型总参数量为1370亿，但每次前向推理仅激活50亿参数，上下文窗口达256K tokens，输入输出均为纯文本。它是轻量级智能编码模型MAI-Code-1-Flash（已集成于GitHub Copilot与VS Code）的网络安全领域专项微调版本，技术谱系可追溯至MAI-Thinking-1系列。

在CyberGym基准上的系统级表现

CyberGym是一个公开的网络安全评测基准，涵盖来自188个OSS-Fuzz项目的1507个真实漏洞复现任务。微软在默认Level 1配置下评估（提供易受攻击源码及高层描述），由MDASH调度MAI-Cyber-1-Flash与GPT-5.4协同执行，最终系统级准确率达95.95%。相较Anthropic的Mythos模型（约83.9%），领先约12个百分点；亦显著高于同期其他参测系统（83.2%–85.6%区间）。值得注意的是，今年5月MDASH初版仅使用通用模型时已达88.45%，已居当时公开排行榜首位；本次升级通过将MDASH中80%的任务路由至MAI-Cyber-1-Flash，使整体性能跃升至95.95%。

智能体编排与成本优化逻辑

MDASH由微软自主代码安全（ACS）团队研发，整合超100个专业化智能体，分五阶段执行：Prepare（准备）、Scan（扫描）、Validate（验证）、Dedupe（去重）、Prove（实证）。其中审计型智能体识别潜在问题，辩论型智能体通过观点分歧判断漏洞可利用性，Prove阶段则对C/C++目标调用ASan执行触发验证。为控制前沿模型规模化应用的成本，MAI-Cyber-1-Flash承担高达90%的常规任务，仅将最难的10%交由GPT-5.4处理。相比此前GPT-5.4 + GPT-5.4 mini + GPT-5.3 codex的组合配置，该路由策略实现50%的推理成本节约。

专项评测结果与设计取向

在CVEBench、CyberSecEval4（威胁情报/恶意软件分析）、CRSBench等防御向评测中，MAI-Cyber-1-Flash取得0.314–0.651不等的分数。而在ExploitGym（覆盖内核/用户态/浏览器三类攻击场景）中，三项得分均为0。微软明确指出：这是刻意设计的结果——模型训练目标仅为漏洞修复、补丁生成等防御性任务，不支持恶意代码生成或漏洞利用开发。一个无法生成攻击载荷却能驱动95.95%高精度漏洞发现流水线的5B激活参数模型，正契合纯粹防御导向产品的核心需求。

实际成效与访问限制

MDASH已在实战中验证价值：今年5月，其辅助发现16个CVE漏洞，包括4个Windows网络与认证栈中的关键远程代码执行缺陷；回溯分析显示，它成功复现了过去五年间clfs.sys中96%（28例中的27例）及tcpip.sys中100%（7例）的MSRC通报案例。目前，MAI-Cyber-1-Flash暂未开放公共访问，仅限微软内部及特定合作伙伴在MDASH框架内调用。