MAI-Cyber-1-Flash 是一款采用自注意力机制和稀疏混合专家层的 Transformer 架构模型。它拥有 1370 亿总参数量，其中 50 亿参数处于激活状态，上下文窗口长度为 256k。输入和输出仅支持文本。

该模型是对 MAI-Code-1-Flash 进行网络安全领域微调后的版本，后者是已集成到 GitHub Copilot 和 VS Code 中的轻量级智能体编程模型。发布信息称其源自 MAI-Thinking-1 系列。

评测基准

CyberGym 是一个公开的评测套件，包含来自 188 个 OSS-Fuzz 项目的 1507 个真实漏洞复现任务。微软在 CyberGym 的默认一级配置下进行评估，该配置提供存在漏洞的源代码和高级描述。

在 MDASH 系统中运行 MAI-Cyber-1-Flash 配合 GPT-5.4 时，得分达到 95.95%。微软表示这比 Anthropic 的 Mythos 高出约 12 个百分点，发布图表显示四个对比系统的得分区间为 83.2% 至 85.6%。

微软在 2026 年 5 月首次详细介绍 MDASH 时，该框架仅使用通用模型在 CyberGym 上取得了 88.45% 的分数。这已是公开排行榜上的最高分，比第二名（83.1%）高出约 5 个百分点。研究团队明确说明了改进情况：将 MDASH 中 80% 的现有模型替换后，框架得分从 88.4% 提升至 95.95%。

为何路由机制才是真正的核心产品

MDASH 通过五个阶段管理超过 100 个专业智能体：准备（Prepare）、扫描（Scan）、验证（Validate）、去重（Dedupe）和证明（Prove）。审计智能体标记发现的问题，辩论智能体就漏洞可利用性展开辩论（以分歧作为信号），证明阶段则针对 C/C++ 目标使用 ASan 执行触发输入。

为了在大规模应用中控制前沿模型成本，MAI-Cyber-1-Flash 处理 MDASH 中高达 90% 的任务，将最难的 10% 升级至 GPT-5.4。这种路由机制相比此前使用 GPT-5.4、5.4 mini 和 5.3 codex 的配置，节省了 50% 的成本。

MDASH 由微软自主代码安全（ACS）团队开发，团队成员包括曾赢得 DARPA AI 网络挑战赛的亚特兰大队成员。今年 5 月，MDASH 辅助工作生成了 16 个 CVE（包括四个严重级别的远程代码执行漏洞），涉及 Windows 网络和身份验证堆栈。回顾来看，它在五年时间窗口内恢复了 clfs.sys 中 28 个 MSRC 案例的 96%，以及 tcpip.sys 中 7 个案例的 100%。

性能

研究团队展示了来自轻量级终端测试工具的独立结果：

基准测试	MAI-Cyber-1-Flash
CVEBench	0.314
CyberSecEval4 — 威胁情报	0.553
CyberSecEval4 — 恶意软件分析	0.33
CRSBench	0.651（POV=1200）
ExploitGym — 内核 / 用户空间 / 浏览器	0 / 0 / 0

ExploitGym 上的零分是刻意为之，并非缺陷。微软团队表示，该模型经过训练用于执行防御性任务（如修补漏洞），而非攻击性任务（如部署恶意软件）。一个 5B 活跃参数的模型无法生成漏洞利用代码，却能驱动 95.95% 的发现流程——这正是纯防御型产品所需的特性。

如何使用

核心要点

• MAI-Cyber-1-Flash 总参数量 137B / 活跃参数 5B，是基于 MAI-Code-1-Flash 的稀疏 MoE 微调版本，支持 256k 上下文窗口。
• CyberGym 上的 95.95% 是系统级得分——由 MDASH 加上新模型以及 GPT-5.4 共同实现，较 2026 年 5 月的 88.45% 有所提升。
• 它可处理高达 90% 的 MDASH 任务，将困难的 10% 升级给 GPT-5.4，据称可削减 50% 成本。
• ExploitGym 得分按设计为 0/0/0——该模型用于修补漏洞，不编写漏洞利用代码。
• 访问权限受控。