微软安全模型用2%成本追平旗舰

微软发布 MAI Cyber 2 Flash,在漏洞发现基准中以 92.3% 成功率略胜 GPT-6 Astra,同时将单任务成本压至后者的 2% 以下。
微软安全模型用2%成本追平旗舰
微软正在把网络安全模型从“昂贵的专家工具”,变成可以全天候运行的基础设施。
11 月 17 日,微软 AI 部门正式发布专用网络安全模型 MAI Cyber 2 Flash。在用于评估真实漏洞发现能力的 CyberGym-E2E 基准中,它取得 92.3% 的任务成功率,略高于 GPT-6 Astra 的 91.5%,但每任务评估成本不到后者的 2%。微软计划从 12 月中旬开始,将符合条件客户 MAI 配置文件中的现有模型自动替换为新版本。(ithome.com)
**MAI Cyber 2 Flash 是微软为企业安全工作流训练的专用模型,主要负责发现软件漏洞、验证漏洞是否真实、建议修复方案,以及协助调查网络攻击。**它不是一个面向普通开发者开放的通用聊天模型,也不是又一个强调参数量和综合跑分的旗舰模型,而是被设计成微软安全产品内部的高频执行引擎。
一句话概括这次更新:微软没有试图用 MAI Cyber 2 Flash 击败所有旗舰模型,而是试图让企业能够负担得起持续运行旗舰级安全能力。

核心数据:92.3%成功率,成本不到2%
MAI Cyber 2 Flash 最值得关注的指标不是绝对跑分,而是性能、推理预算和成本三者之间的关系。
| 模型 | CyberGym-E2E | WebExploitBench | 上下文窗口 | 成本信息 | 产品定位 | |---|---:|---:|---:|---|---| | MAI Cyber 2 Flash | 92.3% | 40.4% | 100 万 token | 每任务成本低于 GPT-6 Astra 的 2% | 微软安全产品内部的高频安全模型 | | GPT-6 Astra | 91.5% | 未公布同口径结果 | 未在本次公告中说明 | 作为旗舰模型成本基准 | 通用前沿模型,具备强网络安全能力 | | GPT-5.6 Cyber | 低于 MAI Cyber 2 Flash | 38.4% | 未在本次公告中说明 | 未公布同口径结果 | OpenAI 上一代安全专用模型 | | MAI Cyber 1.1 Flash | 未公布同口径结果 | 未公布 | 25 万 token | 上一代内部基准 | MAI Cyber 2 Flash 的前代模型 |
**CyberGym-E2E 是一个衡量模型能否在接近真实代码环境中完成端到端漏洞发现任务的基准。**它不只是询问模型“这段代码有没有问题”,而是要求模型理解代码库、定位潜在缺陷,并完成更接近安全研究员实际工作的多步骤任务。
微软披露,MAI Cyber 2 Flash 在该基准上的成功率为 92.3%,GPT-6 Astra 为 91.5%。更重要的是,MAI Cyber 2 Flash 使用的推理预算只有后者的一半,而成本计算同时包含输入 token、缓存输入 token 和输出 token。
**低于2%的成本并不等于模型价格便宜了98%,而是特定基准中的单任务综合评估成本低于对手的2%。**模型单价、任务消耗的 token 数量、推理强度、缓存命中率和智能体重试次数,都会影响最后的账单。因此,这个数字不能直接理解为企业部署后的实际支出也会下降 98%。
微软自己也明确提醒,这些成本来自离线评估,而不是客户账单。不同代码库规模、模型配置和推理预算,都会改变最终结果。
即便如此,2% 仍然是一个极具冲击力的数字。安全扫描不是偶尔运行一次的演示任务,而是需要在代码提交、依赖升级、版本发布和线上告警发生时持续执行的高频工作。一个单次调用能力极强但成本过高的模型,很难覆盖企业每天产生的所有代码变更。
专用模型的价值不是更聪明,而是更敢被频繁调用
**专用安全模型是针对漏洞发现、攻击路径分析和修复验证等任务进行训练与优化的模型。**它的目标不是在数学、写作、图像理解和网络安全之间取得平均高分,而是减少与安全工作无关的推理开销。
通用旗舰模型更像一位知识面极广的顶级顾问,能够处理边界模糊、上下文复杂的疑难问题;MAI Cyber 2 Flash 则更像企业安全团队里可以并行调度的自动化研究员。前者适合处理最棘手的 10% 问题,后者负责吞掉数量最大的常规任务。
这种分工直接改变了安全智能体的成本结构。
假设一个企业每天需要分析数千次代码提交,如果每次都调用最昂贵的旗舰模型,实际成本会随着代码规模、推理长度和重试次数快速放大。专用模型即使只在单次任务上节省几美元,放到全年持续扫描中也可能形成可观差距。
微软的思路并不是让 MAI Cyber 2 Flash 独自解决所有问题,而是让它承担大部分扫描、验证和分类工作,再把少数真正困难的案例交给更大的模型。微软披露,该模型可以处理 MDASH 中最高约 90% 的任务,剩余高难度任务再由更强模型接管。
**这种“小模型跑高频、大模型攻难题”的路由机制,比单纯比较模型排行榜更接近企业生产环境。**安全团队最终购买的不是某个模型的参数量,而是单位预算能够发现多少真实漏洞、产生多少可复现证据,以及能减少多少人工复核时间。
100万token窗口,解决的是代码库完整性
**上下文窗口是模型单次任务中能够读取和处理的信息总量。**MAI Cyber 2 Flash 的上下文窗口达到 100 万 token,是 MAI Cyber 1.1 Flash 的四倍,也意味着上一代模型的窗口约为 25 万 token。(ithome.com)
更大的上下文对安全模型尤其重要,因为高价值漏洞通常不会整齐地出现在一个函数里。
一个权限绕过问题可能同时涉及路由配置、身份验证中间件、数据库权限、缓存策略和前端参数;一个供应链漏洞可能需要模型理解依赖清单、构建脚本、补丁记录和上游项目的历史 CVE。上下文不足时,智能体必须不断切分代码、压缩摘要并重新加载文件,这不仅消耗 token,也容易丢失关键调用关系。
100 万 token 并不能保证模型一次性装入所有大型代码库,但它能够显著减少切片次数,让模型保留更完整的仓库地图、函数调用链和威胁模型。
**对漏洞发现而言,完整地看到系统往往比局部代码生成能力更重要。**模型可能知道某个函数存在越界风险,但只有同时看到调用方、权限边界和用户可控输入,才能判断它是不是一个真正可利用的漏洞。
真正的产品不是模型,而是MDASH工作流
**MDASH 是微软用于组织多个安全智能体完成代码侦察、漏洞扫描、验证、去重和修复的多智能体系统。**MAI Cyber 2 Flash 将主要通过 MDASH 等微软安全产品交付,而不是作为一个独立的公开模型供开发者自由调用。
这一区别很关键。
漏洞发现系统的效果从来不只取决于底层模型,还取决于工具调用、代码索引、任务拆分、验证流程和安全边界。如果智能体只负责生成一段看似合理的漏洞描述,却无法复现问题、生成概念验证或确认补丁有效性,那么它只是在制造更多需要人工处理的安全工单。
MDASH 的工作流程可以概括为五个阶段:
- 准备阶段:建立仓库地图、调用图、威胁模型,以及相关 CVE 和历史补丁信息。
- 扫描阶段:调度多个专用智能体检查代码库中的潜在漏洞。
- 验证阶段:交叉检查发现结果,过滤无法复现或缺少利用条件的问题。
- 去重阶段:合并指向同一根因的重复报告,保留真正独立的安全发现。
- 证明与修复阶段:尝试复现漏洞、生成修复建议,并验证补丁是否正确。
**多智能体安全系统的核心价值是把“模型认为存在漏洞”变成“安全团队可以验证和修复的发现”。**这也是微软更容易将 MAI Cyber 2 Flash 产品化的地方:它同时掌握模型、企业代码环境、安全运营数据和 Microsoft Security 产品入口。
相比只提供模型能力的厂商,微软可以直接把结果送入现有告警、工单、身份管理和终端防护流程。这种分发与数据闭环,可能比领先一两个百分点的模型跑分更难复制。
跑分很强,但不能直接宣布击败GPT-6 Astra
**92.3% 对 91.5% 的差距只有 0.8 个百分点,现阶段更适合称为性能相当,而不是全面领先。**两款模型采用的推理预算不同,MAI Cyber 2 Flash 使用了一半推理预算;同时,测试聚焦于特定类型的漏洞发现任务,不能代表通用编程、长时间攻击链构建或复杂安全调查中的全部能力。
微软还在评测过程中发现,CyberGym-E2E 的 905 个任务中,有 92 个任务来自与部分训练数据相同的开源项目和漏洞报告。虽然基准参考答案没有被用于训练,微软仍然选择为所有模型剔除这些任务,最终结果基于剩余 813 个任务计算。
**剔除潜在重叠任务是正确做法,但它也提醒开发者,安全模型跑分非常容易受到数据污染影响。**公开漏洞、补丁提交和 CVE 报告天然会进入训练语料,而安全基准往往又来自同一批开源项目。如果不检查项目级和漏洞级重叠,模型可能只是记住了补丁,而不是真正发现了漏洞。
WebExploitBench 的结果则提供了另一组观察角度。在相同推理预算下,MAI Cyber 2 Flash 得分 40.4%,GPT-5.6 Cyber 为 38.4%,领先 2 个百分点。这个差距说明微软的新模型不只在单一基准中有效,但 40%左右的绝对得分也表明,自动化 Web 漏洞利用仍远没有达到“交给模型就能解决”的程度。
微软目前也没有公布 MAI Cyber 2 Flash 与更新的 GPT-6 Cyber 在同一智能体环境下的直接对比。考虑到 GPT-6 Cyber 本身针对漏洞发现和利用进行了专门训练,把 MAI Cyber 2 Flash 称为当前最强安全模型还为时过早。
对企业安全团队意味着什么
**MAI Cyber 2 Flash 最现实的价值是扩大AI安全扫描的覆盖率,而不是替代安全研究员。**当调用成本足够低时,企业可以把模型放进更多原本无力覆盖的工作流,包括每次代码提交后的增量扫描、历史代码库回溯、依赖升级检查和告警调查。
Insight Enterprises 的初步评估显示,MAI Cyber 系列完成类似安全任务时,token 效率比其测试的 GPT 模型组合高约 20%。token 效率提升意味着模型可能用更短的输出完成漏洞描述、证据整理和修复建议,从而减少延迟与推理成本。
**安全团队需要关注的指标应该从“发现多少问题”转向“发现多少真实问题”。**如果模型为了提高召回率生成大量误报,人工复核成本可能抵消推理成本优势。企业在实际评估时至少需要跟踪以下指标:
- 每千次扫描发现的可验证漏洞数量;
- 高危与严重漏洞的召回率;
- 误报率和重复报告比例;
- 从发现到生成可用复现步骤的平均时间;
- 修复建议通过测试和代码审查的比例;
- 单个有效漏洞的综合发现成本。
只有当这些生产指标同步改善,低价模型才真正具有商业价值。
微软真正想抢的是安全推理的默认入口
**MAI Cyber 2 Flash 是微软减少对外部旗舰模型依赖的一次明确尝试。**微软仍然可以在极端复杂的任务中调用更大的合作伙伴模型,但高频、可标准化的安全推理将优先交给自己的模型处理。
这套策略同时改善成本、产品控制权和利润率。微软不需要在每一次代码扫描中支付旗舰模型的完整推理成本,也能根据自己的安全数据和产品反馈持续优化模型。随着模型被部署进安全产品,新的漏洞验证和修复结果又会反过来完善训练与评测体系。
**网络安全很可能成为专用模型最早证明商业价值的领域之一。**原因并不复杂:任务目标相对明确,结果可以通过复现和测试验证,企业也愿意为减少真实漏洞付费。相比写文案或生成图片,安全模型带来的收益更容易量化。
不过,这也意味着模型能力越强,安全治理越重要。能够自动发现漏洞、生成复现步骤并验证攻击路径的模型,同样可能被用于恶意目的。微软选择只通过自有安全产品向经过验证的防守方提供能力,本质上是在模型开放程度与安全风险之间做取舍。
OpenAI Hub观点
**MAI Cyber 2 Flash 的意义不在于用0.8个百分点击败GPT-6 Astra,而在于证明专用模型可以用不到2%的成本进入同一性能区间。**这比一次排行榜胜利更重要,因为它决定了 AI 能否从少数高价值安全项目扩展到企业每天产生的大量代码和告警。
微软当前最大的优势也不是模型本身,而是 MAI Cyber 2 Flash、MDASH、安全运营数据和企业产品渠道组成的完整闭环。竞争对手可以发布更强的安全模型,但要同时复制微软的代码入口、身份系统、云平台和安全工作流,并不容易。
对开发者而言,短期内不必期待一个可以直接调用的公开接口。MAI Cyber 2 Flash 将优先存在于微软安全产品内部,符合条件的客户预计从 12 月中旬开始获得自动升级。
对行业而言,一个趋势已经非常清楚:**通用旗舰模型将继续负责最复杂的安全推理,低成本专用模型则会承包绝大多数持续扫描和日常调查任务。**未来企业比较的不会只是哪个模型更聪明,而是谁能以最低的综合成本,稳定发现更多真实漏洞。
参考来源
- IT之家:微软 MAI Cyber 2 Flash 登场,性能比肩 GPT-6 Astra——整理了微软发布信息、CyberGym-E2E 与 WebExploitBench 成绩、上下文窗口和上线计划。



