微软发布百万令牌上下文安全模型
MAI Cyber 2 Flash 支持 100 万 token 上下文,将用于微软安全产品,在剔除训练数据来源重叠任务后的 CyberGym-E2E 测试中成功率为 92.3%。微软披露的离线单任务成本低于 GPT-6 Astra 的 2%,实际客户支出取决于工作负载和配置。
AI 深度解读
微软在 11 月 17 日发布了面向企业安全团队的 MAI Cyber 2 Flash。它最抢眼的数字是,在微软披露的一项漏洞发现评测里,任务成功率为 92.3%,略高于 GPT-6 Astra 的 91.5%,而每任务评估成本不到后者的 2%。
对前端和全栈团队,这组数字更适合用来判断安全检查能不能覆盖更多代码。要判断它值不值得用,还得看评测怎么做、多少发现能被确认,以及团队实际要花多少时间复核和修复。
成功率接近,成本差距有多大?
CyberGym-E2E 衡量模型发现真实软件漏洞的能力。微软称,MAI Cyber 2 Flash 基于其专有安全数据和多年安全研究经验构建。评估时,微软剔除了 92 个与训练数据来源重叠的任务,再用剩余的 813 个任务统计成绩。这个处理降低了训练与评测重叠对结果的影响。
在这批任务里,两款模型只差 0.8 个百分点。原文没有提供置信区间,也没交代两款模型各自在哪些任务上失手,单凭这个差值很难判断谁更可靠。成本差距更大,但「不到 2%」说的是微软披露的离线每任务评估成本。微软也明确表示,工作负载、模型配置、推理强度和评测方法都会影响对比结果。原文没有给出客户实际账单。
相同推理预算和百万 token,各能说明什么?
在 WebExploitBench 上,MAI Cyber 2 Flash 在相同推理预算下拿到 40.4%,对照的 GPT-5.6 Cyber 是 38.4%。这里比的是给模型相同额度的推理资源后,各自能做到什么程度。它和 CyberGym-E2E 用的是不同任务与对照模型,跨榜单的分数高低无法直接比较。
MAI Cyber 2 Flash 的上下文窗口是 100 万 token,为上一代 MAI Cyber 1.1 Flash 的四倍。一轮分析可以容纳更多代码和调查材料,这对需要跨文件追踪问题的任务有帮助。至于多读进来的代码能不能转化为更准确的发现,报道没有给出针对性的对照结果。
客户评估和实际使用还有哪些条件?
Insight Enterprises 的初步评估称,MAI Cyber 模型相较 GPT Profile 的 token 效率高出 20%。报道没有说明这项效率指标的计算方式、测试规模,也没有明确这一结果是否专指 MAI Cyber 2 Flash,因此无法直接拿来估算节省多少 token 或费用。
按报道给出的安排,MAI Cyber 2 Flash 将专供微软安全产品使用,包括代号为 MDASH 的产品。自 12 月中旬起,符合条件的客户,其 MAI 配置文件中的现有模型将自动替换为 MAI Cyber 2 Flash。
我的判断
我更看重的是,微软在去掉来源重叠的任务后,给出了同一项评测里的成功率和成本。对需要重复扫描大量代码的团队,这足以支持一次试点。至于采购和扩量,微软的基准成绩、客户的初步反馈,以及团队自己的复核成本,是三种不同的证据。
前端和 Node 项目里,依赖公告匹配、已知危险 API 检查这类能写成明确规则的任务,常规扫描器更容易复跑,也能直接指出命中了哪条规则。安全模型可以补上需要串读路由、中间件和业务逻辑的审查。报道没有给出模型与规则扫描器、人工审查的同场对照。把模型放在补充审查的位置,是工作流上的取舍,现有数据还无法量化这种组合能省多少人工。
能拿来做什么
- 从前端或 Node 仓库挑一批团队已经确认并修复的历史问题,例如服务端权限校验遗漏。用修复前的代码测能找回多少问题,再用修复后的代码看还会产生多少误报。
- 比较轻量模型和通用模型时,固定代码快照、输入范围和推理预算。除了统计发现数,也记录确认一条有效问题需要多少人工时间。
- 如果已经使用微软安全产品且符合自动切换条件,在切换前留存一组内部评估样例和结果,切换后用同一组样例复跑,比较漏报、误报和修复建议的可用性。