微软发布了首个专为网络安全打造的自研 AI 模型 MAI-Cyber-1-Flash。将其嵌入自家的漏洞发现与修复框架 MDASH 之后，该组合在业界通用基准 CyberGym 上取得 96% 的成绩，费用则降至原有配置的一半。与此同时，由红、蓝、绿三类智能体持续运转的防御系统 Project Perception 也开放了预览。
把 90% 的工作交给小模型
MAI-Cyber-1-Flash 是一款紧凑轻量的模型，专门用于在复杂代码库中挖掘难以察觉的漏洞。它源自微软自家的推理模型系列 MAI-Thinking-1，并非改造外部模型，而是基于自有高质量数据从零构建。
它的设计思路相当明确。微软认为，在攻击量急剧膨胀的当下，防御方真正的瓶颈不是精度而是 token 成本。因此，日常出现的任务中最多 90% 由这款轻量模型承担，只有确实困难的剩余 10% 才交给更大、更昂贵的模型，也就是 GPT-5.4。这种分工使得整体费用比当前最佳的 MDASH 配置（GPT-5.4、GPT-5.4 mini 与 GPT-5.3 codex 的组合）下降了 50%。
MDASH 本身是一套负责从漏洞识别到修复的多智能体框架，由业内一线安全专家调优，通过 100 多个智能体调用多个主流模型，分别完成发现、验证与修复。此次的变化在于，它的核心位置换上了一款专用模型。
CyberGym 领先 12 个百分点
评测所用的 CyberGym，衡量的是系统能否读懂大规模代码库并找出真实存在的漏洞。由于考察的是跨越海量代码的推理能力，它在安全领域已被视作事实标准。
MDASH 与 MAI-Cyber-1-Flash 的组合在这里达到 96%。微软表示，该成绩比 Anthropic 的安全平台 Mythos 高出 12 个百分点，也压过了 Gemini 与 GPT 的各类配置。公开的图表显示，作为对照的四套方案大致集中在 83% 到 86% 之间，原本咬得很紧的格局中只有一家脱颖而出。
微软 AI 首席执行官 Mustafa Suleyman 在发布会上强调了这一结果，并表示将立即投入生产环境。可以看出，这套系统从一开始就是按产品而非研究成果来打造的。
红蓝绿三色智能体撑起 Project Perception
与模型一同亮相的，是智能体化的安全系统 Project Perception。它已经开放预览，首先可在 Microsoft Defender 中使用。
其结构用三种颜色的智能体来说明。红色智能体以攻击者视角进行探测，梳理漏洞位置与可行的攻击路径；蓝色智能体对检测到的事件展开调查，甄别哪些才是真正有意义的风险；绿色智能体负责动手修复并加固防御。三者共享同一套上下文，因此从发现问题到落地修复的过程中，不必在每个环节都交接给人。
除了智能体本身，这套方案还包含将决策转化为实际操作的执行器、统筹全局的框架、组织自身的上下文，以及横跨终端、身份、云与应用的信号与传感器。计费采用按量付费，以安全计算单元（SCU）为单位衡量消耗。任务越重消耗的 SCU 越多，费用随实际工作量浮动。
微软将 Perception 定位为从 AI 辅助迈向 AI 执行的转折点。它与对话式的 Microsoft Security Copilot 分工不同，两者可以并行使用。
人的判断留在哪里
自动化程度越高，边界划在哪里就越值得关注。对此微软的说法是：战略由人掌握，规模交给自主化。防御方设定目标与护栏，影响重大的操作必须经过人工签核。智能体的判断被限定在明确范围内，可追溯，事后也能回放核验。
模型侧同样经过多重检查。MAI-Cyber-1-Flash 在开发过程中采用安全优先的校准，除了微软 AI 红队的评估，还接受了自动化与专家主导的双重对抗测试，并由第三方独立评估。运行层面提供基于角色的访问控制、租户隔离、加密与审计追踪，执行环境被限制在无法连接互联网的沙箱中。
支撑这一切的，是微软每天接收的超过 100 万亿条安全信号，以及来自 160 万家客户的运营洞察。能够把行动与结果对应起来，弄清什么被利用、什么被遏制、什么真正奏效，正是持续打磨模型的素材。
总结
MAI-Cyber-1-Flash 是微软首次自主打造的网络安全专用模型。它以低成本消化九成日常工作，只把最难的部分交给大模型，从而在 CyberGym 上取得 96% 的成绩，同时实现 50% 的成本削减。一同发布的 Project Perception 则由红、蓝、绿三色智能体从发现到修复持续运转，可通过 Microsoft Defender 预览使用。防御自动化能走多远、人工签核该放在哪个环节，这个案例都值得参考。
