微軟近期在資安領域推出了一套名為 MDASH 的多模型漏洞識別與修復框架，其核心目標在於解決一個 AI 工程中常見的痛點：如何在維持高準確度的同時，降低運算成本。
針對初入行的工程師來說，最需要關注的不是單一模型的得分，而是微軟採用的系統設計思維。在大型語言模型（LLM）的實務應用中，使用最強大的模型（如 GPT-5.4）處理所有任務雖然效果好，但成本極高且延遲較長。微軟這次採取的策略是引入一個專為資安微調的輕量化模型 MAI-Cyber-1-Flash，並建立一套路由機制（Routing Mechanism）。
什麼是路由機制？簡單來說，就是系統會先判斷任務的難易程度。根據微軟的設計，約 90% 的常規資安任務由成本較低的 MAI-Cyber-1-Flash 處理，只有剩下的 10% 極高難度任務才會交給最強大的 GPT-5.4。這種分層處理的方式，讓 MDASH 在維持高水準表現的前提下，將整體成本降低了 50%。
深入分析 MAI-Cyber-1-Flash 的技術結構，它採用了稀疏混合專家架構（Sparse Mixture-of-Experts, MoE）。MoE 的特點在於模型雖然擁有龐大的總參數量（此模型為 1370 億個參數），但在處理單一請求時，僅會激活其中一小部分參數（此模型僅激活 50 億個參數）。這意味著模型能擁有大模型的知識儲備，卻能以小模型的速度與成本運行，非常適合需要快速反應的漏洞掃描或初步分析場景。
在效能評估方面，微軟提到在 CyberGym 測試中達到了 95.95% 的得分。但工程師在看待這類數據時必須保持謹慎。CyberGym Level 1 的測試邏輯是提供已知漏洞的描述與未修補程式碼，要求 AI 產生可運行的漏洞證明（Proof of Concept, PoC）。這屬於再現已知漏洞的測試，而非在未知環境中盲測發現新漏洞，兩者在實務上的難度有天壤之別。
此外，模型與系統的區分是本次更新的重點。微軟強調模型只是輸入端的一個組件，而 MDASH 才是最終的產品。這意味著最終的成功率不僅依賴 AI 模型的推理能力，還依賴周邊的工具鏈、提示詞工程（Prompt Engineering）以及漏洞驗證的自動化流程。
目前 MAI-Cyber-1-Flash 並非獨立對外開放的 API，而是僅限於 MDASH 內部使用。這也反映了資安 AI 的特殊性：由於模型可能會產生錯誤的程式碼或不完整的分析，且具備潛在的攻擊利用風險，因此必須在受控的環境中運行，並由專業人員審核結果。
總結來說，這次更新展示了資安 AI 發展的一個趨勢：不再追求單一模型的全能，而是透過 MoE 架構與任務路由，在效能、成本與速度之間取得最佳平衡，將 AI 從單純的聊天機器人轉化為可量產的自動化安全代理人（Security Agents）。
來源：thehackernews.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。