2026 年 7 月 27 日，Microsoft AI 的 Mustafa Suleyman 與 Hayete Gallot 在官方部落格發布〈Introducing MAI-Cyber-1-Flash inside MDASH〉：MAI-Cyber-1-Flash 是 Microsoft 首款資安專用模型，官方主打讓較小的 specialist model 承接 MDASH 最多九成任務，再把最困難部分交給 GPT-5.4。
這個故事真正讓人興奮的，不是又多了一個「最強模型」，而是一套更務實的 agent economics：如果便宜模型能處理大多數可驗證工作，昂貴模型就不必出現在每一步。消息發布一天內就在 Hacker News 討論串累積 234 points、109 則留言（截至 2026 年 7 月 28 日 19:41，UTC+8）；但熱度不是證據，Microsoft 公布的 95.95% 與節省 50% 成本，目前仍是公司自測。
先把原文放在桌上。點擊下面截圖會在新分頁開啟 Microsoft 原文；接下來我會先忠實整理公告，再拆開 80%、90%、95% 三種口徑，最後判斷這套設計真正證明了什麼、又還缺哪些證據。
一、MAI-Cyber-1-Flash 到底是什麼？
從官方 model card 看，MAI-Cyber-1-Flash 不是「總共只有 50 億參數」的 dense model，而是總參數 1,370 億、每次啟用 50 億參數的 sparse Mixture-of-Experts（MoE）模型。它是 MAI-Code-1-Flash 的資安微調版，面向漏洞發現、驗證、排序與修補流程，最長 context 為 256k。
| 項目 | Microsoft 官方揭露 | 該怎麼讀 |
|---|---|---|
| 模型架構 | Sparse MoE Transformer | 總參數 137B，推論時約啟用 5B；「小」指 active parameters |
| 基礎模型 | MAI-Code-1-Flash 的資安微調版 | 新聞稿說源自 MAI-Thinking-1 lineage，model card 給了更具體依賴關係 |
| Context | 256k | 適合讀大型 codebase，但 context 長度不等於能正確跨檔推理 |
| 主要工作 | Discovery、validation、triage、patching | 這是 MDASH 工作流中的角色，不代表單模型獨立包辦全流程 |
| 供應方式 | Azure AI Foundry Private Preview，僅限 MDASH | 存取限經審核客戶；截至 7 月 28 日不是公開權重或獨立 API |
公告裡最關鍵的一句是：
“MAI-Cyber-1-Flash was designed to efficiently handle up to 90% of all tasks.”
中文：「MAI-Cyber-1-Flash 的設計目標，是有效處理最多 90% 的所有任務。」
— Microsoft AI
這裡的限制詞是「up to」，名詞是「tasks」。它不是固定實測九成，也不是九成漏洞、九成 token，更不是九成完整資安案件。精確說法應是：Microsoft 稱它可承擔 MDASH 最多九成任務，最難約一成交給更大型、成本更高的模型；這次公告所舉的模型是 GPT-5.4。
二、真正的產品不是單一模型，而是 100 多個 Agent 的 MDASH
MAI-Cyber-1-Flash 被放進的是 MDASH：Microsoft Defender 內的多模型 agentic code scanner。依 Microsoft Learn FAQ，它以 100 多個專門 agent 執行五段流程：
- Prepare：建立索引、call graph 與 threat model，先把高風險程式碼排到前面。
- Scan：由不同漏洞類型的 auditor agents 提出可疑點。
- Validate：以 taint analysis、型別解析與多模型辯論，淘汰站不住腳的發現。
- Dedup：合併語意相同的重複結果。
- Prove：產生並執行觸發輸入，確認漏洞真的存在。
Microsoft 在 5 月首次公開 MDASH 時，自己把設計哲學濃縮成一句話：
“The model is one input. The system is the product.”
中文：「模型只是一個輸入；系統才是產品。」
— Microsoft Security
這句話比「首款自研資安模型」更重要。真正昂貴的工程不是叫一個大模型讀完整座 repo，而是把工作拆成可以提出假設、反駁、去重、執行與驗收的狀態機。這也是為什麼理解 AI Agent 為何需要可復原流程圖，比只追逐模型排行榜更接近實務。
三、CyberGym 95.95% 很高，但它到底測什麼？
Microsoft 公布的主圖把 MDASH、MAI-Cyber-1-Flash 與 GPT-5.4 的組合放在 95.95%，高於四組約 83%–86% 的競爭配置。先看原圖：
CyberGym 有 1,507 個歷史漏洞案例，來自 188 個 OSS-Fuzz 開源專案，這比玩具型 CTF 更接近真實程式碼；但 Level 1 題目不是把一座陌生 repo 丟給 agent，問它「哪裡有未知漏洞」。原始論文把輸入寫得很清楚：
“The agent is given a text description of a historically found vulnerability and the corresponding codebase before the vulnerability gets patched.”
中文：「Agent 會拿到一個歷史漏洞的文字說明，以及該漏洞修補前的程式碼庫。」
— CyberGym, ICLR 2026
成功條件是：agent 產生一個 PoC，讓 sanitizer 在修補前版本崩潰、修補後版本不崩潰。換句話說，95.95% 是「已知漏洞重現成功率」，不是未知漏洞檢出率、完整 exploit 成功率、修補正確率，也不是企業 SOC 的端到端完成率。
- 題目已提供重要線索：漏洞說明通常包含類型、約略位置與根因。
- 覆蓋面偏窄：CyberGym 主要來自 C／C++、以 sanitizer 可觀察的記憶體安全問題為主；商業邏輯、權限設計、密碼學與雲端設定並未被等比例代表。
- 比較不是純模型對決：圖表比較的是不同「model＋agent configuration」，不能把差距全部歸功於 5B active 的 MAI-Cyber-1-Flash。
- Trials 會影響分數：依 CyberGym FAQ，trials 是每題可嘗試的次數，任一次成功即可算 solved；Microsoft 未揭露新結果的 trials、final-submission 計分，也未證明圖中各組使用相同工具、時間與預算。
- 成績尚待外部驗證：截至 2026 年 7 月 28 日，CyberGym 官方榜仍列舊 MDASH 的 88.45%，尚未列入 95.95% 這筆新結果。這不反證 Microsoft，只表示榜單維護方尚未把該結果列入；截至同日也未找到第三方公開重現。
更值得注意的是，CyberGym 團隊在 7 月更新的提交規範已表示頂尖系統接近飽和，要求新 submission 公開 token、cache、請求數、延遲、成本、成功／失敗清單與部分完整 trajectory。Microsoft 這次公告沒有提供這些資料，因此讀者看得到結果，還看不到重現結果所需的帳本。
四、MAI-Cyber-1-Flash 的 80%、90%、95%：三個數字為什麼對不上？
這次最容易被二手報導抹平的，正是三個不同分母。Microsoft 新聞稿說「最多 90% tasks」；model card 說 CyberGym 實驗「替換 80% 既有模型」；Axios 引述 Microsoft 主管 David Weston 則說「約 95% 的工作」。它們可能同時成立，也可能描述不同版本、階段或統計單位；公開資料不足以把它們拼成同一個 90／10 router 實測。
“Replacing 80% of the existing models in codename MDASH with MAI-Cyber-1 improved codename MDASH performance on CyberGym from 88.4% to 95.95%.”
中文：「在 MDASH 中以 MAI-Cyber-1 替換 80% 的既有模型後，CyberGym 表現從 88.4% 提升到 95.95%。」
— MAI-Cyber-1-Flash Model Card
| 數字 | 出處與原意 | 可以說什麼 | 不能說什麼 |
|---|---|---|---|
| 80% | Model card 的 CyberGym 配置替換比例 | 評測中多數既有模型被 MAI-Cyber 取代 | 80% 的漏洞或 token 由它完成 |
| 最多 90% | Microsoft 新聞稿的 tasks 設計目標 | 官方希望它承擔多數 MDASH 任務 | 已審計的固定 production routing 比例 |
| 約 95% | Axios 引述主管的 work 口徑 | 可當主管訪談中的補充說法 | 凌駕 model card 的正式規格 |
這個差異不是抓語病，而是會直接改變成本模型。若「九成 tasks」都是短而便宜的初篩，但剩下一成難題消耗大部分 token、重試與 agent calls，那麼 task share、token share 與美元成本會是三張完全不同的圖。
五、成本節省 50%：方向可信，帳還沒公開
Microsoft 宣稱新組合相對既有 MDASH 最佳配置——GPT-5.4、GPT-5.4 mini、GPT-5.3 Codex——可節省 50% 成本。這不是「比所有領先模型便宜一半」，也不是企業資安總持有成本減半；它是一個特定 Microsoft harness、特定模型組合與特定 workload的內部比較。
為什麼我仍然認為這個方向值得重視？因為把不同難度交給不同模型，並不是 Microsoft 獨有的行銷概念。RouteLLM 支持依任務選擇大小模型；2026 年的資安系統 Revelio 則在僅 10 個 codebase 的 ablation 中，看到「便宜模型廣搜、強模型驗證」優於全程使用同一模型。RouteLLM 也顯示，遇到分布外資料時 router 可能退化；若真正的難題被誤留在較弱模型，便可能增加 false negative。
因此，Microsoft 下一次若要把「50%」從漂亮數字變成可採購的證據，至少要公開四件事：
- MAI-only、GPT-5.4-only、舊 MDASH 與新 routed stack 的同條件 ablation。
- 每題 input／output／cache token、model calls、重試次數與 wall-clock time。
- 每個成功 PoC 的成本，而不是只算整體平均 token。
- Router confusion matrix：多少真正困難的題目被錯留在便宜模型，多少簡單題被不必要地升級。
如果你正在自己做 agent，這也是更實用的計分板：先用 Agent Observability 看清楚 token、工具呼叫與卡關位置，再決定哪些步驟值得升級模型。沒有可觀測性，router 只是在替成本黑箱再加一層黑箱。
六、限制公開得比效能更清楚：受限預覽、人工審查、單模型並不無敵
在供應與安全邊界上，Microsoft 的 primary sources 寫得很明確：截至 2026 年 7 月 28 日，model card 仍把 MAI-Cyber-1-Flash 列為 Azure AI Foundry Private Preview、僅供 MDASH 使用，且要經客戶審核與核准；官方模型頁則寫成只提供給 verified defenders。Axios 引述 Microsoft 稱 public preview 預計下週開始，但未釐清那是 MDASH／MAI-Augmented scan profile 的預覽，還是模型可獨立取用。可以確定的是，當時沒有公開權重或 standalone API；受限存取也讓外界難以獨立重跑 95.95%。
Model card 另提醒，模型主要以英文資料訓練與測試，其他語言的熟練度可能較弱。對含中文註解、文件、錯誤訊息或在地化設定的 codebase，不能直接把英文 benchmark 成績外推過去；採購測試應另外切出非英文樣本。
另一個常見誤讀是「agent 已會自動修補並部署」。Microsoft FAQ明載：MDASH 是 discovery／validation engine，本身不會自動套用修補；本機 autofix 是由開發者啟動、透過 GitHub Copilot 產生新分支，仍要人工檢查與批准。這和「無人監督地把 patch 推上 production」相距很遠。
Model card 還有一張很誠實的表：MAI-Cyber-1-Flash 單模型在輕量 terminal harness 下，CVEBench 為 0.314、CRSBench 為 0.651，而 ExploitGym 的 kernel、userspace、browser 三類都記為 0。官方沒有提供足夠比較基準，不能把「0」直接讀成模型毫無能力。這些數字只能說明 95.95% 不能直接歸因於單一模型；缺少同 benchmark、同 harness 的 ablation，仍無法量化模型、資料、工具、100 多個 agents 與驗證器各自貢獻多少。
至於 Microsoft 提到「獨立第三方評估」，model card 說的是安全風險評估未發現 critical-severity finding，沒有公布評估者與完整報告；它不是對 95.95%、九成 routing 或成本減半的效能重現。
七、AlphaLab 的判讀：Agent economics 才是這次真正的新東西
判讀一：架構判斷是對的——最貴模型不該出現在每一步
資安掃描天然適合分層：大量候選路徑便宜地掃，少數高風險發現再投入昂貴推理，最後用編譯器、sanitizer、測試與人工做硬驗證。這種工作有明確 verifier，失敗可以重跑，價值也高度偏斜——找到一個真漏洞的價值，遠高於生成一百段漂亮解釋。把大模型當例外處理器，而不是預設引擎，是這次最可移植的設計。
判讀二：95.95% 更像 harness 成績，不是模型世代跳躍
在 MAI-Cyber-1-Flash 出現前，舊 MDASH 已靠一般可用模型自報 88.45%；新組合再往上推約 7.5 個百分點，當然有價值。這只能說明 specialist model 加入前，整套系統就已有相當高的總分；現有資料不足以把這個基本盤歸因於 orchestration、模型或工具中的任何一項。若沒有 MAI-only 與同 harness 的 GPT-only 對照，外界也無法把提升拆成 specialist model、router、資料或其他工程改動各貢獻多少。
判讀三：公開 benchmark 接近飽和後，真正考題會移到私有程式碼
CyberGym 的完整題目與描述公開已久，而 Microsoft 的 specialist model 又以歷史資安資料為賣點。這不等於模型背答案，但也不能排除 benchmark exposure 或針對性優化。下一輪最有說服力的證據，不是 97%、98%、99% 的公開榜數字，而是訓練截止後、未公開、私有 codebase 上的 recall、false positive、維護者接受率與真實修補時間。
判讀四：Microsoft 的資料飛輪既是護城河，也是驗證障礙
Microsoft 能把漏洞、攻擊、修補與結果串成回饋迴圈，這是開放模型團隊很難複製的資產；但同一套封閉資料與受限供應，也使外界難以分辨「模型真的學會資安」與「Microsoft 把自家工作流調得非常好」。對企業採購者來說，這不一定是壞事；對科學主張來說，卻意味著可重現性更弱。
判讀五：真正該優化的是每個「已驗證漏洞」的總成本
Token 成本只是分子的一部分。資安 agent 若產生更多候選，可能把人工 triage、沙箱執行、重試與回歸測試一起推高。最有意義的單位不是「每百萬 token 多少錢」，而是：每個被成功重現、維護者接受、沒有回歸的漏洞，總共花多少模型、算力與人力。只要 Microsoft 還沒把這張表公開，「成本減半」就應維持公司自報的標籤。
我同意什麼，又存疑什麼？
我同意的：Microsoft 抓對了 agent 經濟學的核心。高頻、可驗證、重複性的工作交給 specialist model，把最強模型留給尾端難例，通常比「全程最大模型」更接近能規模化的產品。
我存疑的：95.95%、最多九成任務與 50% 成本節省，仍缺少外部重現、完整 efficiency disclosure 與 production confusion matrix。Microsoft 現在證明的是「這套組合在自家設定下非常有希望」，還不是「企業資安分析已能用一半成本穩定取代大型模型」。
八、接下來怎麼看，才不會只追著分數跑？
- 如果你是資安主管：不要先問 95.95% 高不高；先問私有 repo 的 false negative、非英文樣本表現、每個 validated finding 成本、資料留存、模型區域與人工審批邊界。
- 如果你在做 AI Agent：先把任務拆成可驗證節點，記錄每一步成本與失敗，再用 router 升級少數難例。可以搭配 AI Agent 密鑰安全，避免把 secret 與 session log 一起餵進模型。
- 如果你只是想試模型：截至 7 月 28 日，重點不是找下載連結，而是觀察 Azure／MDASH 的 public-preview 範圍、CyberGym 官方榜是否納入新提交，以及 Microsoft 是否補上完整 efficiency report。
這次真正值得帶走的，不是一個漂亮的 95.95%，而是一條更通用的產品原則：Agent 的競爭力，會越來越取決於「誰知道何時用小模型、何時升級、最後如何驗證」，而不是誰每一步都能燒最多 token。
📚 延伸閱讀
- LangGraph 論文深度解析：AI Agent 為何要變成「可復原的流程圖」？
- Agent Observability 是什麼？監看工具、Token、成本與卡關位置
- AI Agent 密鑰安全完整教學：別讓 API Key 進入 Context
- OpenAI 模型攻入 Hugging Face：AI Agent 資安事件真正警告了什麼？
- AI 模型怎麼學習？預訓練、SFT、強化學習與 Evals
- 個人 AI Agent 怎麼養？90% 靠架構、10% 靠模型
若只做一件事：把你的 agent 任務分成「便宜模型先做、困難案例升級、工具硬驗證」三層，然後用真實失敗資料調整路由。這會比盲目換上更大的模型，更接近 Microsoft 這次真正有價值的答案。