从11.9%飙到95.95%！微软屠榜网安基准，真正王牌不是大模型

新智元报道

95.95%。

在业内公认的CyberGym网安基准上，这个分数刚刚把一众最顶尖的模型甩到了身后。

而拿下它的，不是一个前沿模型，而是微软的MDASH系统。

微软公布的CyberGym测试结果。MDASH组合以95.95%的成绩，压过GPT-5.5 Cyber、Mythos 5等四个前沿模型。（图源：Microsoft AI）

跟在MDASH身后的，是GPT-5.5 Cyber 85.6%、Mythos 5 83.8%、GPT-5.6 Sol 83.6%、Gemini 3.5 Flash Cyber 83.2%。

MDASH领先第二名超过10个百分点，断层第一。

更狠的是价格：MDASH的成本，只有微软此前最强配置的一半。

微软CEO纳德拉亲自在X上发帖站台：

世界级的安全能力，一半的价钱。

最猛的数字不是95.95%

是90%

95.95%固然亮眼，但真正要注意的，是另一个数字：90%。

九成的活，是一个激活参数只有5B的小模型扛下来的。

它叫MAI-Cyber-1-Flash，微软第一个自己造的网络安全模型，总参数137B，激活只有5B，是微软代码模型MAI-Code-1-Flash的网安专用微调版。

微软AI的掌门人苏莱曼在介绍MDASH时说，MAI-Cyber-1-Flash最多处理九成查询，剩下最难的10%，交给大约比它大10倍的GPT-5.4收尾。

MAI-Cyber-1-Flash被设计为高效处理最多90%的任务，最难的10%才交给GPT-5.4。（图源：Microsoft AI）

为什么要这么分？

因为网络安全，是一场7×24小时不停的持久战。攻击每天像潮水一样涌进来，要扫的代码就像是一座不断堆高的山。

在这种情况下，真正卡脖子的不是模型够不够聪明，而是token够不够便宜。

以前的打法，是简单粗暴地堆最贵的模型，一遍遍地扫。

所以微软的算盘是：让便宜好用的小模型顶在前面吃掉九成任务，好把最贵的旗舰模型省下来，只碰那一成的疑难杂症。

这就是一套全新的AI网络安全经济学。

MAI-Cyber-1-Flash的官方模型卡里，藏着一个更直观的例子：

原本的MDASH跑CyberGym是88.4%。把其中80%的模型调用换成便宜的MAI-Cyber-1-Flash，成绩非但没掉，反而抬到95.95%。

相比此前最好的GPT-5.4、5.4 mini和5.3 codex那套配置，便宜了整整一半。

不过话说回来，「最多处理九成任务」讲的是MDASH内部的模型路由比例，不是「自动修好了90%的漏洞」。

旗舰虽然坐了冷板凳，可活儿，仍是一整条流水线一起干出来的。

不是模型封神

而是系统跑出来的

95.95%，不是MAI-Cyber-1-Flash一个模型的成绩，而是一套叫MDASH的系统跑出来的。

它是微软的多模型漏洞识别与修复系统。

里面有100多个专用智能体，各干各的：有的审代码，有的验漏洞，有的为「这个发现是真是假」互相辩论，有的去重，还有的写漏洞证明。

而模型，只是其中一个零件。

微软把自己的打法拆成三个词：Model、Data、Harness。模型、数据、编排。这三样一起调优，才有了那个跑分。

其中，竞争对手最难抄的是数据。

微软每天能看到超过100万亿个安全信号，横跨身份、终端、云和网络；服务着160万家客户；从微软安全响应中心一路到实战里，什么漏洞被利用了、什么被挡住了、什么补丁真的管用，全掌握在它手中。

因此，微软放了句很硬气的话：这段历史，没人能凭空造出来。

意思是，模型你可以追，数据你追不了。

它想强调的是：模型只是输入，系统才是产品。

当各家模型的能力都被拉平，真正拉开差距的，是谁的系统调度得更省，谁的安全数据攒得更久、更全。

这95.95%

测的是漏洞复现成功率

先搞清楚CyberGym测的到底是什么。

它给智能体一段补丁前的代码，外加一份漏洞描述，让智能体写出能复现这个漏洞的PoC，再拿补丁前后的版本去验证。

CyberGym基准构成：来自188个开源项目的1507个真实漏洞，智能体根据漏洞描述和补丁前代码生成PoC，在补丁前后版本中验证复现。（图源：CyberGym论文，UC Berkeley）

说白了，是「照着线索复现已知漏洞」，不是「面对陌生代码盲找新洞」。

准确地说，是漏洞复现成功率，不是漏洞发现准确率。

是不是说，这个95.95%的数字就没那么厉害了？

CyberGym原始论文里，当时最强的组合OpenHands加Claude-3.7-Sonnet，复现率只有11.9%。

一年多，从11.9%到95.95%，这数字爬升本身就够惊人了。

不过，得给这个成绩打个补丁：截至发稿，95.95%还没进CyberGym公开榜单，榜上挂的仍是微软5月那次88.4%的旧分。

所以严格说，它现在只能算「微软自己宣称」。

但MDASH在5月12日首发时的88.45%，就是当时CyberGym公开榜单上的最高分，领先第二名约5个百分点。

还有一点，MAI-Cyber-1-Flash现在并不是公共模型，它只在MDASH内部，通过Azure AI Foundry的私人预览，向审核通过的客户开放。

造了自己的模型

最难的活还得交给OpenAI

微软造出了自己的安全模型，本想少依赖点OpenAI。

可最难的那10%，最后还是得交给GPT-5.4收尾。

The Decoder的点评一针见血：微软有了自己的网络安全模型，最硬的骨头还是得OpenAI来啃。

微软的角色，从「OpenAI模型的分销商」，升级成了「编排者＋自家专才」。

但在模型这一层，还没对OpenAI彻底「断奶」。

从安全Copilot

到安全行动系统

同一天，微软还甩出了一个更大的东西：Project Perception。

这是比MDASH更大的智能体安全系统。

红队智能体负责找出可能的攻击路径，蓝队智能体调查、判断哪些才是真风险，绿队智能体动手修复和加固。

三支队伍围成一个闭环，自己找、自己判、自己修。

Project Perception的三队智能体：红队模拟攻击，蓝队检测分诊，绿队修复加固，8月3日进入公开预览。（图源：Microsoft）

8月3日进入公开预览。

但关键动作，微软仍然坚持要留在人手里。

其中能看出一条正在变化的行业主线：网络安全，正在从「安全Copilot」转向「安全行动系统」。

以前的系统忙着产生更多告警，新一代系统比的是，能不能持续地感知、推理，然后直接动手。

有位安全研究者Moczadło讲得很透：护城河正在从「模型访问」转向「验证」。

如今花30美元跑一次公开模型，也能复现出Mythos级别的漏洞狩猎。

真正稀缺的，是那套既能证明漏洞为真、又不把开发者埋进误报堆里的系统。

所以，以后拼的不再是谁能调用最强的模型，而是谁能把模型、数据、智能体、验证，打造成一套持续运转、还信得过的安全行动系统。

系统的牌桌，才刚刚开局。

参考资料：

https://x.com/satyanadella/status/2081779755146482153?s=20

https://microsoft.ai/news/introducing-mai-cyber-1-flash-inside-mdash/

https://arxiv.org/pdf/2506.02548

https://blogs.microsoft.com/blog/2026/07/27/rethinking-security-for-the-age-of-ai/

编辑：元宇