В мире искусственного интеллекта, где гонка вооружений между генеративными моделями для текста и кода кажется бесконечной, Microsoft делает шаг, который может перевернуть парадигму кибербезопасности. Компания официально представила MAI-Cyber-1-Flash — первую в своем роде модель, созданную не для того, чтобы писать стихи или генерировать изображения, а для активной защиты цифровых активов. Это не просто еще одна языковая модель, отточенная на миллионах строк кода; это специализированный инструмент, встроенный в многоагентную систему сканирования MDASH, которая уже демонстрирует впечатляющие результаты на публичных бенчмарках.
Что делает этот релиз особенным? Во-первых, это архитектурный прорыв: модель использует 137 миллиардов параметров, но в активном режиме задействует лишь 5 миллиардов, что обеспечивает невероятную скорость и эффективность. Во-вторых, это практическая применимость: MAI-Cyber-1-Flash не работает в вакууме. Она является частью экосистемы, которая уже нашла уязвимости в ядре Windows и сетевых стеках, заметно снижая затраты на облачные вычисления. В-третьих, это четкое разделение ролей: модель обучена исключительно на оборонительных задачах, что делает ее безопасным инструментом для специалистов по безопасности, а не оружием для злоумышленников.
В этой статье мы подробно разберем, как работает MAI-Cyber-1-Flash, почему ее интеграция с MDASH дает такой высокий процент обнаружения уязвимостей, как устроена система маршрутизации задач и что это значит для индустрии кибербезопасности в целом. Мы также рассмотрим технические детали, бенчмарки и практические аспекты использования этой технологии, чтобы вы могли понять, как она вписывается в современный ландшафт защиты данных.
01Архитектура и технические характеристики MAI-Cyber-1-Flash
Чтобы понять мощь MAI-Cyber-1-Flash, нужно заглянуть под капот ее архитектуры. Это не просто большая языковая модель, а сложная система, оптимизированная для специфических задач анализа кода и поиска уязвимостей. Модель построена на базе трансформера с механизмом самовнимания (self-attention) и слоями разреженного Mixture-of-Experts (MoE). Эта архитектура позволяет модели обрабатывать огромные объемы контекста, сохраняя при этом высокую скорость вычислений.
Ключевой особенностью является соотношение параметров. MAI-Cyber-1-Flash имеет 137 миллиардов общих параметров, однако в каждый момент времени активными являются только 5 миллиардов. Это достигается за счет механизма MoE, где для каждого входного токена активируется только подмножество «экспертов» внутри сети. Такой подход позволяет модели обладать знаниями огромной базы данных, но потреблять ресурсы, сопоставимые с гораздо более легкими моделями. Контекстное окно модели составляет 256 тысяч токенов, что позволяет ей анализировать целые модули программного обеспечения или даже целые проекты, не теряя нити рассуждений.
Важно отметить, что MAI-Cyber-1-Flash работает исключительно с текстовыми данными. Входы и выходы модели ограничены текстом, что упрощает ее интеграцию в существующие пайплайны разработки и безопасности. Модель является специализированной дообученной версией (fine-tune) MAI-Code-1-Flash — легковесной агентной модели для программирования, которая уже интегрирована в GitHub Copilot и VS Code. lineage (линейка происхождения) модели восходит к MAI-Thinking-1, что подчеркивает ее способность к сложному логическому выводу и рассуждению, необходимому для анализа сложных уязвимостей.
02Платформа MDASH: Агентный сканер нового поколения
MAI-Cyber-1-Flash не поставляется как самостоятельный конечный продукт для установки на сервер. Ее сила раскрывается только в контексте MDASH — многоагентной платформы сканирования от Microsoft. MDASH можно представить как «операционную систему» для киберзащиты, которая управляет сотнями специализированных AI-агентов, работающих в тесной координации.
Процесс работы MDASH разделен на пять четких этапов:
- Prepare (Подготовка): Агенты подготавливают код и контекст для анализа.
- Scan (Сканирование): Основной этап, где MAI-Cyber-1-Flash и другие модели ищут потенциальные уязвимости.
- Validate (Валидация): Найденные находки проверяются на достоверность.
- Dedupe (Удаление дубликатов): Исключение повторяющихся отчетов об уязвимостях.
- Prove (Доказательство): Финальный этап, где агенты пытаются воспроизвести уязвимость, используя триггерные входные данные. Для целей C/C++ здесь используется ASan (AddressSanitizer) для обнаружения ошибок работы с памятью.
В этой системе работают различные типы агентов. Агиторы (Auditor agents) отмечают найденные проблемы, агенты-дебаты (debater agents) спорят о возможности эксплуатации уязвимости, используя разногласия как сигнал для уточнения выводов. Это имитирует процесс, при котором группа экспертов обсуждает сложную проблему, чтобы прийти к наиболее точному решению.
MDASH была разработана командой Autonomous Code Security (ACS) от Microsoft, в которую входят участники команды Team Atlanta, победившей в DARPA AI Cyber Challenge. Это не просто исследовательский проект, а инструмент, доказавший свою эффективность в реальных условиях. В мае 2026 года работа, assisted (поддержанная) MDASH, привела к выявлению 16 CVEИсточник: MarkTechPost ↗