AI 安全
Microsoft 以 5B 啟用參數資安模型分流漏洞分析，MDASH 在 CyberGym 得分 95.95%
MAI-Cyber-1-Flash 是 137B 參數的稀疏 MoE，但每個 token 只啟用約 5B，負責 MDASH 約九成工作，再把困難案例交給 GPT-5.4。官方宣稱新配置成本降低近半，但模型目前僅在 Azure AI Foundry 私人預覽提供，基準也尚未經外部重現。
Microsoft 公布首款自行訓練的資安專用模型 MAI-Cyber-1-Flash，並把它放進漏洞分析代理系統 MDASH，而非直接提供通用聊天 API。模型由 MAI-Thinking-1 的中期訓練檢查點衍生，先形成 MAI-Code-1-Flash，再針對資安任務微調；架構為 137B 總參數、每個 token 約啟用 5B 的稀疏 MoE，上下文長度為 256K。
部署策略比單一模型排名更值得注意。MAI-Cyber-1-Flash 處理 MDASH 約 90% 的漏洞探索與分析工作，只有最困難的約 10% 交由 GPT-5.4。Microsoft 報告這套組合在 CyberGym 取得 95.95%，較採用 Mythos 的配置高約 12 點，同時較既有 MDASH 配置節省接近 50% 成本。這反映資安代理可能走向「小型專才負責寬度、前沿模型處理尾端難題」的路由架構，而不是讓昂貴模型掃描整個程式庫。
外層的 Project Perception 再把工作拆成紅、藍、綠三類代理：紅隊尋找攻擊路徑，藍隊結合環境脈絡判定風險，綠隊提出修補與強化措施。工程上的真正風險也在此處：評測環境可以完全斷網，但綠隊代理若要產生價值，就必須接觸真實程式庫與部署流程。團隊應觀察正式版是否提供變更審批、最小權限、可回滾修補、完整軌跡及模型路由紀錄。
目前數字全由 Microsoft 提供，CyberGym 分數也混合了模型、MDASH harness 與 GPT-5.4，不能視為 MAI-Cyber-1-Flash 的單模型能力。模型沒有公開權重或獨立 API，外部研究者暫時無法重現成本、召回率及誤報率；8 月 3 日公開預覽後，跨專案泛化與自動修補安全性才是更重要的檢驗。