Microsoft AI เปิดตัว MAI-Cyber-1-Flash โมเดลไซเบอร์ซีเคียวริตี้น้องใหม่
โมเดลขนาด 5 พันล้านพารามิเตอร์แอคทีฟ ทำคะแนนบน CyberGym สูงถึง 95.95% พร้อมลดต้นทุนการรันระบบลงครึ่งหนึ่ง
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- MAI-Cyber-1-Flash มีพารามิเตอร์รวม 137B และใช้งานจริง 5B
- ดันคะแนน MDASH บน CyberGym พุ่งแตะ 95.95%
- ประหยัดต้นทุนได้ 50% ด้วยการแบ่งงาน 90% ให้โมเดลนี้จัดการ
- พัฒนาโดยทีม ACS ของ Microsoft ร่วมกับทีมผู้ชนะ DARPA AI Cyber Challenge
Microsoft AI ได้ฤกษ์เปิดตัว MAI-Cyber-1-Flash โมเดลปัญญาประดิษฐ์เฉพาะทางด้านความปลอดภัยไซเบอร์ ซึ่งถูกพัฒนาต่อยอดมาจากโมเดลเขียนโค้ดน้ำหนักเบาอย่าง MAI-Code-1-Flash ที่ใช้งานอยู่แล้วใน GitHub Copilot และ VS Code โดยโมเดลตัวนี้อ้างอิงสายพันธุ์มาจาก MAI-Thinking-1 และรองรับเฉพาะอินพุตและเอาต์พุตที่เป็นข้อความเท่านั้น
โครงสร้างภายในของ MAI-Cyber-1-Flash เป็นสถาปัตยกรรม Transformer ที่มีระบบ Self-Attention และเลเยอร์ Sparse Mixture-of-Experts โดยมีพารามิเตอร์รวมทั้งหมด 137 พันล้านตัว แต่มีพารามิเตอร์ที่ทำงานจริง (Active) อยู่ที่ 5 พันล้านตัว พร้อมทั้งรองรับบริบทขนาดยาวถึง 256k โทเค็น เพื่อให้สามารถวิเคราะห์ข้อมูลโค้ดขนาดใหญ่ได้อย่างมีประสิทธิภาพ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในด้านการทดสอบ ทาง Microsoft ได้นำระบบ MDASH ที่ทำงานร่วมกันระหว่าง MAI-Cyber-1-Flash และ GPT-5.4 ไปประเมินผลบนชุดทดสอบสาธารณะอย่าง CyberGym ซึ่งรวบรวมงานจำลองช่องโหว่ในโลกความเป็นจริงไว้ 1,507 รายการ จากโครงการ OSS-Fuzz จำนวน 188 โครงการ โดยผลลัพธ์ปรากฏว่าสามารถทำคะแนนไปได้สูงถึง 95.95% สูงกว่าระบบ Mythos ของ Anthropic ประมาณ 12 คะแนน
ระบบ MDASH ถูกออกแบบมาให้จัดการกับเอเจนต์เฉพาะทางกว่า 100 ตัว ผ่านกระบวนการทำงาน 5 ขั้นตอน ได้แก่ Prepare, Scan, Validate, Dedupe และ Prove ซึ่งมีทั้งเอเจนต์ผู้ตรวจสอบและเอเจนต์โต้แย้งเพื่อหาความเป็นไปได้ในการโจมตี ก่อนจะนำไปรันอินพุตกระตุ้นการทำงานจริงร่วมกับ ASan สำหรับเป้าหมายภาษา C และ C++
การนำโมเดลขนาดเล็กอย่าง MAI-Cyber-1-Flash มาแบ่งเบางานจากโมเดลขนาดใหญ่อย่าง GPT-5.4 ถือเป็นกลยุทธ์สำคัญในยุคที่ต้นทุนการประมวลผลเอไอพุ่งสูงขึ้น การใช้โมเดล 5B จัดการงานทั่วไปถึง 90% แล้วส่งต่อเคสยาก 10% ให้โมเดลใหญ่ ช่วยรักษาสมดุลระหว่างประสิทธิภาพและความคุ้มค่าทางเศรษฐศาสตร์ได้อย่างยอดเยี่ยม
สำหรับการบริหารจัดการต้นทุน โมเดล MAI-Cyber-1-Flash จะรับผิดชอบงานทั่วไปของ MDASH ถึง 90% และส่งต่อ 10% ของเคสที่ยากที่สุดให้ GPT-5.4 ช่วยประมวลผล ซึ่งวิธีนี้ช่วยลดค่าใช้จ่ายลงได้ถึง 50% เมื่อเทียบกับการใช้ค่าคอนฟิกเดิมอย่าง GPT-5.4, 5.4 mini และ 5.3 codex
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น