Microsoft AI Releases MAI-Cyber-1-Flash: A 5B-Active-Parameter Cyber Model That Pushes MDASH to 95.95% on CyberGym

微軟人工智慧團隊正式發表旗下第一款專為網路防禦打造的模型「MAI-Cyber-1-Flash」。這款模型並非以獨立端點的形式提供，而是內建於微軟的多模型代理掃描框架 MDASH 之中，擔任安全任務的核心引擎。MAI-Cyber-1-Flash 是一款採用自注意力機制與稀疏混合專家層（sparse Mixture-of-Experts）的 Transformer 模型，總參數量達到 1,370 億，但每次推理僅活化約 50 億參數，支援 256k 的上下文長度，輸入與輸出皆為純文字格式。

MAI-Cyber-1-Flash 是從 MAI-Code-1-Flash 微調而來，後者已是內建於 GitHub Copilot 與 VS Code 中的輕量級代理程式碼模型。微軟表示，這款新模型隸屬於 MAI-Thinking-1 技術譜系，其訓練目標是讓模型能在真實漏洞環境中執行偵測與修補任務，而非進行攻擊性操作。MDASH 本身是一個管理超過 100 個專門代理程式的自動化安全框架，處理流程分為五個階段：準備（Prepare）、掃描（Scan）、驗證（Validate）、去重（Dedupe）與證明（Prove）。

在架構中，Auditor 代理負責標記可疑發現，Debater 代理則透過意見分歧來判斷漏洞的可利用性；到了 Prove 階段，框架會對 C/C++ 目標執行觸發輸入，搭配 ASan（AddressSanitizer）進行驗證。為了控制前沿模型的運算成本，MAI-Cyber-1-Flash 承擔了 MDASH 中高達 90% 的任務，僅將最困難的 10% 案件升級給 GPT-5.4 處理。微軟指出，這種路由設計比先前的 GPT-5.4、5.4 mini 與 5.3 codex 配置節省約 50% 的成本。

在公開的 CyberGym 基準測試中，MDASH 搭配 MAI-Cyber-1-Flash 與 GPT-5.4 共同運作，取得了 95.95% 的分數。CyberGym 是一套由 188 個 OSS-Fuzz 專案中抽出 1,507 個真實漏洞重現任務所組成的公開評測集，微軟在其預設的等級一配置（提供含漏洞的原始碼與高階描述）下進行評估。相比之下，微軟在 2026 年 5 月首次公開 MDASH 時，該框架僅使用當時市面上的通用模型便在 CyberGym 上獲得 88.45%，已是公開排行榜最高分，領先第二名約 5 個百分點。如今將框架內約 80% 的模型更換為專用模型後，分數從 88.

4% 跳升至 95.95%，研究團隊直言這是「毫不含糊的進步」。微軟將此次成績與競爭對手比較，指出成績比 Anthropic 的 Mythos 高出約 12 個百分點，而排行榜上其他四個對比系統的得分落在 83.2% 至 85.6% 之間。除 CyberGym 外，研究團隊也公布了其他獨立的終端基準測試結果。在 CVEBench 上得分 0.314，CyberSecEval4 威脅情資項目 0.553、惡意軟體分析項目 0.33，CRSBench 在 POV 設定 1,200 下為 0.651。

值得注意的是，在 ExploitGym 的三個子項目（Kernel、Userspace、Browser）中，MAI-Cyber-1-Flash 全部掛零。微軟團隊解釋，這是刻意為之而非缺陷：模型經過訓練僅執行修補漏洞等防禦任務，而不具備部署惡意程式碼或撰寫攻擊程式的能力。一個僅有 50 億活化參數、無法生成攻擊程式，卻能驅動 95.95% 漏洞發現管線的模型，正是防禦專用產品所需要的核心資產。

MDASH 由微軟自主程式碼安全團隊（Autonomous Code Security, ACS）開發，團隊成員包含來自美國國防部先進研究計畫局（DARPA）AI 網路挑戰賽冠軍隊伍 Team Atlanta 的專家。今年五月，MDASH 輔助的研究成果已產出 16 個 CVE（含 4 個重大遠端程式碼執行漏洞），影響 Windows 網路與驗證堆疊。回溯測試更顯示，在五年的時間範圍內，MDASH 能復原 clfs.sys 中 28 個 MSRC 案例的 96%，以及 tcpip.sys 中 7 個案例的 100%。

MAI-Cyber-1-Flash 的釋出代表微軟在 AI 驅動安全領域的關鍵布局：以一個專注防禦、輕量化且成本可控的模型，讓 MDASH 這套多代理框架達到新標竿。目前該模型的取用仍需經過微軟的授權審核，尚未全面開放。