<div class="key-takeaways"><ul><li>MAI-Cyber-1-Flash มีพารามิเตอร์รวม 137B และใช้งานจริง 5B</li><li>ดันคะแนน MDASH บน CyberGym พุ่งแตะ 95.95%</li><li>ประหยัดต้นทุนได้ 50% ด้วยการแบ่งงาน 90% ให้โมเดลนี้จัดการ</li><li>พัฒนาโดยทีม ACS ของ Microsoft ร่วมกับทีมผู้ชนะ DARPA AI Cyber Challenge</li></ul></div><p>Microsoft AI ได้ฤกษ์เปิดตัว <strong>MAI-Cyber-1-Flash</strong> โมเดลปัญญาประดิษฐ์เฉพาะทางด้านความปลอดภัยไซเบอร์ ซึ่งถูกพัฒนาต่อยอดมาจากโมเดลเขียนโค้ดน้ำหนักเบาอย่าง MAI-Code-1-Flash ที่ใช้งานอยู่แล้วใน GitHub Copilot และ VS Code โดยโมเดลตัวนี้อ้างอิงสายพันธุ์มาจาก MAI-Thinking-1 และรองรับเฉพาะอินพุตและเอาต์พุตที่เป็นข้อความเท่านั้น</p><p>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</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/microsoft_ai_mai_cyber_1_flash_ms4k02ca_inline_1_dca8c0a9bc.jpg" alt="coding analytics interface dashboard" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">95.95%</span><span class="stat-label">คะแนน MDASH บน CyberGym</span></div><div class="stat-item"><span class="stat-number">50%</span><span class="stat-label">ต้นทุนที่ประหยัดได้</span></div><div class="stat-item"><span class="stat-number">100%</span><span class="stat-label">ตรวจจับช่องโหว่ tcpip.sys ย้อนหลัง</span></div></div><p>ในด้านการทดสอบ ทาง Microsoft ได้นำระบบ MDASH ที่ทำงานร่วมกันระหว่าง MAI-Cyber-1-Flash และ GPT-5.4 ไปประเมินผลบนชุดทดสอบสาธารณะอย่าง <strong>CyberGym</strong> ซึ่งรวบรวมงานจำลองช่องโหว่ในโลกความเป็นจริงไว้ 1,507 รายการ จากโครงการ OSS-Fuzz จำนวน 188 โครงการ โดยผลลัพธ์ปรากฏว่าสามารถทำคะแนนไปได้สูงถึง 95.95% สูงกว่าระบบ Mythos ของ Anthropic ประมาณ 12 คะแนน</p><p>ระบบ MDASH ถูกออกแบบมาให้จัดการกับเอเจนต์เฉพาะทางกว่า 100 ตัว ผ่านกระบวนการทำงาน 5 ขั้นตอน ได้แก่ Prepare, Scan, Validate, Dedupe และ Prove ซึ่งมีทั้งเอเจนต์ผู้ตรวจสอบและเอเจนต์โต้แย้งเพื่อหาความเป็นไปได้ในการโจมตี ก่อนจะนำไปรันอินพุตกระตุ้นการทำงานจริงร่วมกับ ASan สำหรับเป้าหมายภาษา C และ C++</p><div class="ai-insight"><p>การนำโมเดลขนาดเล็กอย่าง MAI-Cyber-1-Flash มาแบ่งเบางานจากโมเดลขนาดใหญ่อย่าง GPT-5.4 ถือเป็นกลยุทธ์สำคัญในยุคที่ต้นทุนการประมวลผลเอไอพุ่งสูงขึ้น การใช้โมเดล 5B จัดการงานทั่วไปถึง 90% แล้วส่งต่อเคสยาก 10% ให้โมเดลใหญ่ ช่วยรักษาสมดุลระหว่างประสิทธิภาพและความคุ้มค่าทางเศรษฐศาสตร์ได้อย่างยอดเยี่ยม</p></div><p>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</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/28/microsoft-ai-releases-mai-cyber-1-flash-a-5b-active-parameter-cyber-model-that-pushes-mdash-to-95-95-on-cybergym/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>MAI-Cyber-1-Flash features 137B total parameters with 5B active</li><li>Pushes MDASH score on CyberGym to a remarkable 95.95%</li><li>Delivers a 50% cost reduction by handling 90% of routine tasks</li><li>Developed by Microsoft ACS and DARPA AI Cyber Challenge winners</li></ul></div><p>Microsoft AI has officially introduced <strong>MAI-Cyber-1-Flash</strong>, a specialized artificial intelligence model tailored for cybersecurity tasks. Derived from the MAI-Thinking-1 lineage, it serves as a cybersecurity-focused fine-tune of MAI-Code-1-Flash, the lightweight agentic coding model currently integrated into GitHub Copilot and VS Code. The model accepts text-only inputs and outputs.</p><p>Under the hood, MAI-Cyber-1-Flash utilizes a transformer architecture equipped with self-attention and sparse Mixture-of-Experts layers. It packs a total of 137 billion parameters, out of which 5 billion are active, alongside an extensive context length of 256k tokens to thoroughly analyze complex codebases.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/microsoft_ai_mai_cyber_1_flash_ms4k02ca_inline_1_dca8c0a9bc.jpg" alt="coding analytics interface dashboard" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">95.95%</span><span class="stat-label">MDASH CyberGym Score</span></div><div class="stat-item"><span class="stat-number">50%</span><span class="stat-label">Cost Savings Achieved</span></div><div class="stat-item"><span class="stat-number">100%</span><span class="stat-label">Historical tcpip.sys Recovery</span></div></div><p>Microsoft evaluated the model using its MDASH harness—combining MAI-Cyber-1-Flash and GPT-5.4—on <strong>CyberGym</strong>, a public benchmark suite comprising 1,507 real-world vulnerability reproduction tasks drawn from 188 OSS-Fuzz projects. Running at the default level 1 configuration, the setup achieved a score of 95.95%, outperforming Anthropic's Mythos by roughly 12 points.</p><p>MDASH orchestrates over 100 specialized agents across five distinct stages: Prepare, Scan, Validate, Dedupe, and Prove. Auditor agents flag potential issues while debater agents argue exploitability using disagreements as signals, ultimately triggering inputs with ASan for C and C++ targets.</p><div class="ai-insight"><p>Deploying a smaller, highly optimized 5B-active model to shoulder 90% of the workload highlights an efficient routing strategy in frontier AI development. By reserving massive frontier models like GPT-5.4 exclusively for the most demanding 10% of tasks, engineering teams can dramatically curb operational overhead without sacrificing accuracy.</p></div><p>To keep frontier model expenses under control at scale, MAI-Cyber-1-Flash processes up to 90% of MDASH tasks and escalates the hardest 10% to GPT-5.4. This routing mechanism results in a 50% cost reduction compared to previous configurations involving GPT-5.4, 5.4 mini, and 5.3 codex.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/28/microsoft-ai-releases-mai-cyber-1-flash-a-5b-active-parameter-cyber-model-that-pushes-mdash-to-95-95-on-cybergym/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-619.jpg

small_article-619.jpg

thumbnail_article-619.jpg

Inewgen

Inewgen

#MAI-Cyber-1-Flash

Microsoft AI Releases MAI-Cyber-1-Flash: A 5B-Active-Parameter Cyber Model

Inewgen