MAI-Cyber-1-Flash och Project Perception: Microsofts nya AI-system jagar sårbarheter

En liten modell för ett svårt säkerhetsjobb

MAI-Cyber-1-Flash har 5 miljarder parametrar, vilket gör den relativt liten jämfört med många av dagens största AI-modeller . Den är en vidareutveckling av MAI-Code-1-Flash, som i sin tur härstammar från Microsofts resonemangsmodell MAI-Thinking-1, som presenterades i juni 2026 .

Modellen har finjusterats för arbetsflöden inom sårbarhetshantering: att upptäcka brister, kontrollera dem, prioritera riskerna och generera förslag på korrigeringar. Den är byggd för att arbeta i Microsofts MDASH-system, en förkortning för Multi-Model Agentic Scanning Harness .

Microsofts resultat – med en viktig brasklapp

Microsoft uppger att MAI-Cyber-1-Flash tillsammans med MDASH når 96 procent i CyberGym, ett benchmarktest som Microsoft använder för att bedöma upptäckt, verifiering och åtgärd av sårbarheter. Det ska vara 12 procentenheter bättre än Anthropic Claude Mythos 5, som uppges ha nått omkring 84 procent .

Företaget hävdar också en kostnadsminskning på cirka 50 procent jämfört med en lösning som enbart förlitar sig på stora externa frontmodeller. Enligt Microsoft hanterar MAI-Cyber-1-Flash omkring 90 procent av MDASH-arbetet, medan dyrare modeller som OpenAI GPT-5.4 sparas till de mest komplexa fallen .

Det är dock viktigt att skilja på Microsofts egna uppgifter och oberoende utvärdering. Digital Applied rapporterar att varken 96-procentsresultatet eller kostnadsbesparingen har verifierats av en extern part. CyberGym-resultaten på topplistan rapporteras dessutom av de deltagande laboratorierna själva . The New York Times uppger också att Microsoft inte gav oberoende testare tillgång till modellen före lanseringen .

Microsoft har samtidigt publicerat ett modellkort som beskriver modellens säkerhetskalibrering, träningsdata och avsedda användning i MDASH . Systemet använder en debattmekanism där flera modeller jämför sina bedömningar, tillsammans med en särskild beviskedja som ska sålla bort falska larm innan ett fynd når en mänsklig säkerhetsingenjör .

MDASH är navet i systemet

MAI-Cyber-1-Flash är inte tänkt att arbeta ensam. Den körs inne i MDASH, som samordnar flera stora språkmodeller – däribland Microsofts egen modell och OpenAI GPT-5.4 – i ett gemensamt arbetsflöde för skanning, verifiering och åtgärd .

En modellrouter avgör vilken modell som ska användas i varje steg. De enklare och mer rutinmässiga uppgifterna går till den billigare specialmodellen, medan svårare resonemangsproblem skickas vidare till större modeller .

AI-systemet ska redan ha hittat riktiga Windows-brister

Microsofts viktigaste argument är att MDASH inte bara har testats i ett benchmark, utan också ska ha använts i praktiskt säkerhetsarbete:

• Patch Tuesday i maj 2026: MDASH uppges ha hittat 16 tidigare okända sårbarheter i Windows nätverks- och autentiseringsdelar. Fyra klassades som kritiska brister för fjärrkörning av kod, bland annat i Windows kärnbaserade TCP/IP-stack och IKEv2-tjänsten . Microsofts uppdateringar i maj åtgärdade totalt 118 CVE:er, varav 30 bedömdes som kritiska .
• En av de uppmärksammade bristerna var CVE-2026-33824, med CVSS-poängen 9,8. Det var en så kallad double-free-sårbarhet i ikeext.dll som enligt rapporteringen kunde göra det möjligt för en obehörig angripare att skicka specialanpassade paket till en Windows-dator där IKEv2 var aktiverat och därigenom köra kod på distans .
• Fynd i juni 2026: MDASH ska därefter ha hittat ytterligare sårbarheter i bland annat Hyper-V, Active Directory och Windows-kärnan . Enligt rapporteringen hjälpte systemet Microsoft att åtgärda 622 brister under en månad .

Arbetssättet bygger på att AI-agenter diskuterar om en upptäckt faktiskt går att utnyttja innan den skickas vidare till mänskliga ingenjörer . Det ska minska risken för att säkerhetsteam överbelastas av falska positiva resultat.

Project Perception delar upp jobbet mellan tre AI-lag

Project Perception är den kommersiella plattform som byggs ovanpå MDASH och MAI-Cyber-1-Flash. Microsoft beskriver den som en ny säkerhetsstack där signaler, säkerhetskontext, specialiserade modeller och agenter kopplas samman i ett försvar som lär sig löpande .

Plattformen organiserar AI-agenterna i tre grupper:

• Röda laget: agerar som en angripare och försöker hitta vägar in.
• Blå laget: upptäcker hot, analyserar signaler och bedömer vilka risker som är verkliga.
• Gröna laget: arbetar med åtgärder, försvar och patchning .

Agenternas uppgifter kan fördelas mellan Microsofts MAI-Cyber-1-Flash, OpenAI GPT-5.4 och modeller från Anthropic, beroende på vilken modell som passar bäst för det aktuella steget . Det är denna kombination av specialisering och modellrouting som Microsoft lyfter fram som en viktig kostnadsfördel.

Förhandsversion i Microsoft Defender

Project Perception är först inriktat på hantering av sårbarheter i programvara, men Microsoft beskriver en bredare plan. Plattformen ska på sikt kunna användas för kontinuerlig övervakning, hotutredningar och automatiserade åtgärder – ett ”ständigt lärande försvarssystem” .

Den offentliga förhandsversionen börjar den 3 augusti 2026 för företagskunder som redan testar MDASH:s agentbaserade arbetsmiljö . I det första steget integreras Project Perception i Microsoft Defender, med planer på att senare rulla ut tekniken till fler Microsoft Security-produkter .

Microsoft framhåller samtidigt att människor fortfarande ska ha kontroll över kritiska beslut, även om agenterna tar över en stor del av det löpande analysarbetet .

En ny front i AI-kapprustningen inom cybersäkerhet

Lanseringen sker när konkurrensen om AI inom cybersäkerhet hårdnar. Anthropic har redan gjort sig känt för säkerhetsmodellen Claude Mythos, medan även Google och OpenAI investerar i AI-baserad upptäckt av sårbarheter .

Microsofts svar är att traditionella säkerhetsverktyg inte utvecklas snabbt nog för en tid då även angripare kan använda AI. Företaget vill därför kombinera flera modeller i stället för att lägga alla uppgifter på en enda dyr frontmodell .

För företag kan kostnaden bli minst lika avgörande som benchmarkresultatet. Om Microsofts påstående om ungefär 50 procent lägre kostnad håller, skulle det kunna göra kontinuerlig AI-baserad kodgranskning mer realistisk för större organisationer .

Men den avgörande frågan återstår: håller resultaten vid en oberoende granskning? Microsoft har ett starkt utgångsläge i form av de 16 Windows-sårbarheter som MDASH uppges ha hittat i en enda uppdateringscykel. För att Project Perception ska vinna långsiktigt förtroende behöver företaget dock visa att resultaten går att upprepa även utanför den egna miljön.