微软自研安全模型 MAI-Cyber-1-Flash 把 MDASH 成本砍半
微软首个自研网络安全模型承担 MDASH 中最多九成的漏洞挖掘工作量，最难的一成仍交给 OpenAI 前沿模型。
一个只干一件事的小模型
微软 7 月 27 日发布 MAI-Cyber-1-Flash——公司首个专为网络安全打造的模型，同时公开了承载它的多智能体系统 MDASH。该模型出自自研 MAI-Thinking-1 谱系，用为此任务精挑的安全数据在内部训练，能力目标窄而具体：在庞大且陌生的代码库里找出可利用漏洞。
更值得关注的其实是 MDASH。它在发现、定级、复现、修复各环节调度 100 多个专用智能体，并按难度分流：MAI-Cyber-1-Flash 吃掉最多 90% 的工作量，剩下最硬的部分升级给更贵的前沿模型——微软点名 GPT-5.4。官方数据称这套组合在代码漏洞发现的标准评测 CyberGym 上拿到 95.95%，高于换用 Mythos、Gemini 和 GPT 的配置，同时相比此前全前沿模型的 MDASH 配置把成本压低约一半。
微软把成绩归因于三点：自研模型、每天流经自家基础设施的数万亿条安全信号，以及人工调优的智能体编排。MDASH 随附企业级控制，包括基于角色的访问、租户隔离和沙箱执行。
顶端依赖并未解除
这套分流设计既是优化也是承认。微软没有在安全栈里替掉 OpenAI，只是把它降级到了昂贵的长尾。这也是 MAI 团队反复出现的模式：用够用的小模型接住高频量，把最难的推理留给合作方的前沿系统。
为何重要
安全是智能体经济性最早崩掉的场景之一：穷尽式漏洞挖掘意味着让前沿模型扫过数百万行代码，token 账单涨得比产出快。一个能扛下九成案例的蒸馏专家，把研究演示变成了安全团队养得起、能一直跑的东西。它同时给本周另一头的开放权重之争添了砖：微软已经证明，小而窄的安全模型加上好编排，在成本上能压过通用前沿智能——而这恰恰是开源阵营为防守方所主张的那一套。