前沿科技洞见 · 2026-08-03

H001

资料提供：前沿科技研究部

正在发生的事很多，这件帮你看过了

2026-08-03

H002

MDASH 不是一个“会找漏洞的模型”，而是一条把代码排序、攻击面建模、专项审计、交叉辩论、动态验证、PoC 生成、去重和修复建议串起来的多模型生产线；MAI-Cyber-1-Flash 是这条生产线的低成本主力工位。

95.95% 测到的不是一个模型独立发现未知漏洞的能力，而是多个模型、程序分析工具、执行环境和路由器能否在长流程中接住彼此的错误。MAI-Cyber-1-Flash 是总参数 1370 亿、每次激活 50 亿、拥有 256K 上下文的稀疏 MoE 模型；它单独进入轻量终端框架时，在 ExploitGym 的 Kernel、Userspace、Browser 三类测试中均为 0，但替换 MDASH 约 80% 的既有模型调用后，系统在 CyberGym 达到 95.95%。

H003

H004

微软在 2023 年首先把语言模型放到安全分析师旁边，而不是让它自主寻找漏洞。Security Copilot 将 GPT-4、安全专用模型和每日 65 万亿条安全信号连接起来，用于总结事件、生成查询、解释威胁情报和提出响应步骤；告警发现、权限判断和最终复核仍由既有产品与人负责。

这条路线留下了安全数据、企业权限体系和产品入口，也暴露了关键缺口：流畅解释不能保证一个漏洞从“看起来可疑”走到“可重复触发”。

H005

AIxCC 把“自主安全”从聊天能力改写成可执行流程。决赛覆盖 5400 万行代码，七支队伍识别出 63 个合成漏洞中的 54 个并修复 43 个，提交补丁平均用时 45 分钟，每项任务平均成本约 152 美元。冠军 Team Atlanta 的 ATLANTIS 将 LLM 与符号执行、定向模糊测试和静态分析组合，分别承担定位、验证和修复。

MDASH 负责人 Taesoo Kim 及团队多名成员来自 Team Atlanta；这段经历锁定了微软的架构选择：复杂漏洞需要多种分析技术互相补位，模型可以更换，定位、验证、去重和证明流水线不能随模型迭代反复重建。

H006

CyberGym 为漏洞复现建立了可执行的统一尺度：它把 188 个开源项目的 1507 个历史漏洞恢复到补丁前状态，要求智能体根据高层描述生成 PoC；只有 PoC 能让补丁前版本崩溃、且不能让补丁后版本崩溃，才算成功。最初的最佳组合 OpenHands 加 Claude 3.7 Sonnet 仅为 11.9%，说明跨文件定位、输入推断、编译、运行反馈和反复修改中的任一环失败，最终都会归零。

但 CyberGym Level 1 已明确告知漏洞存在并提供描述，因此 95.95% 不能翻译成“微软能找到企业代码里 95.95% 的未知漏洞”。它也不衡量完整业务语义、企业工单噪声或补丁上线质量；CyberGym-E2E 才进一步加入发现、PoC、补丁、功能回归和目标漏洞验证。

H007

2026 年 5 月公开的 MDASH 已是一条具体生产线：Prepare 建立语言索引、调用图、攻击面和威胁模型；100 多个专项 Agent 在 Scan 阶段检查候选路径；Validate 从可达性和可利用性两侧辩论，并调用污点分析、LSP 类型解析等确定性工具；之后系统去重，再由 Prove 构造实际触发输入。

微软报告，MDASH 在含 21 个植入漏洞的未公开 StorageDrive 驱动上找全 21 个且单次运行零误报；对 MSRC 历史案例回测，clfs.sys 和 tcpip.sys 的召回率分别为 96% 和 100%，但样本仅为 28 和 7 个；公开 CyberGym 成绩为 88.45%。它还参与发现了当月 Windows 网络与认证栈的 16 个新 CVE，其中 4 个是严重远程代码执行漏洞。

这些数据跨出了公开题库，却仍以供应商自报和外界无法完整复现的内部样本为主。

H008

MDASH 随后把 CyberGym 的“any crash”指标推至约 96.5%；剩余 52 个失败中，8 个发生在扫描、10 个发生在验证、34 个发生在 PoC 证明。主要提升来自 Prepare 和 Scan：更准确地区分审计对象与上下文依赖、补全不可信输入入口、修复调用图，并提前过滤不相关的专项 Agent。

这表明可积累的调用图、证明插件、扫描范围、校准和阈值比单次模型升级更耐久：规则给出硬约束，模型探索规则尚未覆盖的组合。

H009

MAI-Cyber-1-Flash 的决策逻辑不是追求最强单次回答，而是降低大规模搜索成本：小模型承担批量探索，困难任务再升级给 GPT-5.4。在该配置下，微软报告 CyberGym 从 88.4% 升至 95.95%，成本较 GPT-5.4、GPT-5.4 mini 和 GPT-5.3 Codex 的原组合下降 50%。

“最多处理 90% 的任务”和“替换约 80% 的既有模型”可能分别指路由上限与评测配置，但微软没有公布逐任务路由日志、Token 总量、平均尝试数和置信区间，两个口径尚不能完全对齐。截至 2026-08-03，CyberGym 公开榜单仍显示 5 月提交的 88.4%；95.95% 有微软博客和模型卡互相印证，但仍是供应商报告值。

H010

四条路线争夺的不是单一榜单第一，而是专用模型、Agent 框架、真实安全数据、部署渠道和责任边界的组合。

| 路线 | 主要设计 | 生产证据与入口 | 主要边界 | |---|---|---|---| | 微软 | MDASH + MAI-Cyber-1-Flash；100+ 专项 Agent、多模型路由、确定性验证 | Windows CVE、Patch Tuesday；Defender/Foundry 私有预览 | 指标多为自报，源码扫描为主，容量受限 | | Google | CodeMender + Gemini 3.5 Flash Cyber；轻量模型并行搜索 | Chrome、Android、Cloud、V8；政府和可信伙伴试点 | 外部产品化较早，公开细节有限 | | Anthropic | Mythos 5 + Project Glasswing；强通用模型直接研究 | 操作系统和浏览器零日；少量审核伙伴 | 成本高，双重用途风险更集中 | | OpenAI | GPT-5.5/5.5-Cyber + Trusted Access；能力分级授权 | 合作场景、公开基准和 Codex Security | 专用流水线公开细节较少 |

H011

Google 与微软都把漏洞发现视为搜索空间问题，但 Google 用便宜模型增加采样宽度，微软则把漏洞类型、验证角色和模型等级装进分工明确的流水线。CodeMender 可对同一任务调用 Flash Cyber 最多五次，再合成报告；Google 在 V8 固定调用测试中报告，Flash Cyber、通用 Gemini 3.5 Flash 和 Claude Opus 4.6 分别找到 55、47 和 36 个独立确认问题，其中 10 个仅由专用模型发现。

Google 的 OSS-Fuzz 和 OSV.dev 为多路径搜索提供真实崩溃、补丁与回归数据；微软的优势则是把权限、SARIF、Defender 门户、CI/CD 和修复建议连接得更完整。

H012

Anthropic 把深度安全能力集中在强通用模型中，以换取陌生环境中的迁移能力。其报告称 Mythos Preview 能自主识别并利用主要操作系统和浏览器中的零日漏洞，Project Glasswing 从约 50 家合作伙伴扩至约 150 家机构；但 Mythos 5 起价为每百万输入 Token 10 美元、输出 Token 50 美元，且仅向少数审核伙伴开放。

用户得到的是更接近全能研究员的能力，却未必得到微软式可审计、可分层替换的生产流水线。

H013

OpenAI 优先解决“谁可以让模型做什么”：普通 GPT-5.5 保留通用安全限制，审核后的防御者获得更精确的安全分类器，更敏感的任务进入 GPT-5.5-Cyber。首个 GPT-5.5-Cyber 版本主要改变许可程度，并不保证所有安全评测都超过 GPT-5.5。

OpenAI 更强调模型、Codex 工作环境和身份信任层，微软更直接接管代码扫描到组织级曝光管理的流程；两者既竞争也合作，因为 GPT-5.4 已是 MDASH 处理困难任务的上层模型。

H014

用户真正选择的是责任边界，而不是相差若干百分点的榜单成绩。MDASH 目前只读扫描源码，不支持已编译二进制或 JAR，也不能导入客户自有 Agent；私有预览约限制每仓库 256MB、每租户一个并发扫描，耗时不确定，更适合异步审查而非确定性的构建阻断。

它也不会自动修改生产代码：defender fix 由开发者发起，通过 GitHub Copilot 生成函数级候选补丁，仍需人工审核。Cobalt 对约 450 名安全从业者的调查显示，完全依赖 AI 自动测试的比例从 2025 年的 29% 降至 2026 年的 9%，78% 的受访者见过自动化扫描漏掉严重漏洞；调查不能代表 MDASH 用户，却说明采购者还会衡量漏报、误报、补丁质量、审计记录和人工复核时间。

现阶段没有一家真正完成“发现—证明—修复—上线”的全自动闭环。

H015

H016

微软今天的优势分别来自过去的路径选择：Security Copilot 提供 Defender、身份、终端和云产品入口；AIxCC 提供多工具架构；CyberGym 提供可执行、可定位失败阶段的评测；任务拆分则使路由器能够把批量工作交给 50 亿激活参数的小模型，把少数困难任务升级给 GPT-5.4。

没有前述流水线，“小模型处理九成任务”只是一句无法执行的成本愿望。

H017

早期优势也构成包袱：封闭的企业安全数据与控制面限制外部验证，专用证明插件可能依赖长期专家投入，换到陌生语言、业务逻辑漏洞、二进制目标或客户特有框架时未必能够迁移。模型无关不等于领域无关。

MAI-Cyber-1-Flash 单体在 ExploitGym 三类测试均为零、进入 MDASH 后却达到 95.95%，既证明系统编排的重要性，也使客户难以拆分模型理解、系统提示和执行反馈各自的贡献；任务分布改变后，路由器能否正确识别并升级真正困难的任务，微软尚未公布答案。

更谨慎、也更有价值的结论是：当验证条件足够清晰时，一个能力并不全面的小模型可以成为高性能系统的主要劳动力。

H018

下一道分界线是从复现已知答案转向处理未知世界。CyberGym-E2E 已把评价推进到发现与修复，ExploitGym 则测试从触发崩溃走向真实利用；MAI-Cyber-1-Flash 单体在后者当前为零，意味着高分系统仍需证明自己能在目标模糊、验证昂贵和业务语义不完整时保持精度。

更有区分度的指标应包括每个独立有效漏洞的总成本、未公开代码召回率、每千行代码误报量、人工复核分钟数、补丁回归率、重复发现率以及从发现到上线的周期。

H019

H020

未来 12—24 个月，最可能出现“模型路由 + 确定性验证”的混合扫描：小模型处理批量定位与初筛，强模型处理跨文件推理和失败重试，程序分析工具提供硬证据，发现与修复建议仍由人批准。拥有代码托管、云和安全产品入口的公司更可能占优，因为调用图、验证插件、历史修复数据和组织集成比模型名称更耐久。

H021

最危险的结果不是系统找不到漏洞，而是发现速度超过修复与披露能力：候选过多、重复报告、浅层补丁和供应链协调会挤压维护者，攻击者也能用相似架构批量寻找补丁差分与 N-day 漏洞。若组织把接近满分的复现率误当成未知漏洞召回率，并过早撤掉人工审计和传统模糊测试，系统最有害的输出将是错误信心。

H022

最乐观的结果是验证资产形成防御方的复利：每次扫描留下攻击面模型、证明插件、修复模式和回归测试，使小模型在更好的环境中持续增效，安全专家转向设计验证器和处理高风险边界。微软每天处理超过 100 万亿条安全信号、服务 160 万客户；若运行结果能在隐私和租户隔离前提下转化为训练与评测反馈，竞争焦点将从单次 95.95% 转向“发现—验证—修复—观察—再训练”的学习曲线。

95.95% 只是这条产线在一道已知工序上的良率，不是整个软件世界已经安全了 95.95%。

信息来源

内容由AI辅助生成，请谨慎甄别。资讯分享仅供参考，相关观点不代表主观立场，不构成任何形式的投资建议。

🏠 返回首页