Новий ШІ-захисник Microsoft шукає вразливості та допомагає їх виправляти

MAI-Cyber-1-Flash: компактна модель для пошуку вразливостей

MAI-Cyber-1-Flash має 5 мільярдів параметрів — за сучасними мірками це відносно компактна модель . Вона походить із лінійки MAI-Code-1-Flash, яка, своєю чергою, пов’язана з ширшим сімейством моделей міркування MAI-Thinking-1, представленим Microsoft у червні 2026 року .

Модель спеціально донавчали для кібербезпекових завдань у середовищі MDASH: пошуку вразливостей, їх перевірки, сортування за пріоритетом і підготовки патчів .

Заявлена продуктивність і важливе застереження

Microsoft стверджує, що конфігурація MDASH із MAI-Cyber-1-Flash набрала 96% у CyberGym — внутрішньому тесті для оцінювання пошуку, перевірки та виправлення вразливостей. За заявою компанії, це на 12 відсоткових пунктів більше, ніж результат Anthropic Claude Mythos 5, який становив приблизно 84% .

Microsoft також заявляє про майже 50% економії порівняно з використанням самих сторонніх передових моделей. За задумом компанії, MAI-Cyber-1-Flash виконуватиме близько 90% типових завдань MDASH, тоді як дорожчі моделі, зокрема OpenAI GPT-5.4, залучатимуться лише для найскладніших випадків .

Однак ці цифри поки що слід сприймати саме як заяви виробника. Digital Applied зазначає, що результат 96% у CyberGym і показник економії не були незалежно підтверджені, а записи в таблиці лідерів CyberGym подають самі лабораторії . The New York Times також повідомила, що до релізу Microsoft не надала модель незалежним тестувальникам для оцінювання .

Перевірка результатів перед участю людини

Microsoft опублікувала Model Card — технічний опис моделі з інформацією про її калібрування безпеки, дані донавчання та передбачене використання в MDASH .

У системі кілька моделей можуть сперечатися між собою щодо того, чи є знайдена проблема справжньою та експлуатованою. Окремий конвеєр доказової перевірки має відсікати хибні спрацювання до того, як результат потрапить до інженера .

MDASH: багатомодельний рушій, який уже випробували на Windows

MDASH — це Multi-Model Agentic Scanning Harness, тобто багатомодельне агентне середовище для пошуку та усунення вразливостей. Воно координує кілька великих мовних моделей, зокрема MAI-Cyber-1-Flash і OpenAI GPT-5.4, у спільному процесі сканування, перевірки та виправлення .

Система розподіляє роботу за принципом ефективності: типові завдання віддає дешевшій спеціалізованій моделі Microsoft, а найскладніші — потужнішим моделям .

Які проблеми знайшов MDASH

До офіційної презентації Microsoft уже заявляла про такі результати роботи MDASH:

• Травневий Patch Tuesday 2026 року. Система виявила 16 раніше невідомих вразливостей у мережевому та автентифікаційному компонентах Windows. Чотири з них класифікували як критичні вразливості з можливістю віддаленого виконання коду — зокрема у TCP/IP-стеку ядра Windows і службі IKEv2 .
• Серед названих проблем — CVE-2026-33824 із оцінкою CVSS 9,8. Це вразливість типу double-free у ikeext.dll, яка, за описом, могла дозволити неавторизованому зловмиснику надіслати спеціально сформовані пакети комп’ютеру з увімкненим IKEv2 і домогтися віддаленого виконання коду .
• Червень 2026 року. MDASH продовжив знаходити проблеми не лише в мережевих компонентах, а й у Hyper-V, Active Directory та ядрі Windows . За повідомленнями, за один місяць за допомогою системи Microsoft виправила 622 вразливості .

У цьому процесі агенти кількох моделей обговорювали, чи можна реально використати кожну знахідку, перш ніж передавати її інженерам-людям .

Project Perception: «червоні», «сині» та «зелені» агенти

Project Perception — комерційна платформа, побудована поверх MDASH і MAI-Cyber-1-Flash. Microsoft описує її як «новий кіберстек», що поєднує сигнали, контекст безпеки, спеціалізовані моделі та агентів у систему безперервного захисту .

Компанія прямо подає цей підхід як використання ШІ для захисту від загроз, які також застосовують ШІ.

Як розподіляються ролі агентів

У Project Perception агенти об’єднані в три умовні команди :

• Червона команда імітує дії зловмисників і шукає шляхи атаки.
• Синя команда виявляє загрози, досліджує сигнали та визначає їхню значущість.
• Зелена команда відповідає за усунення проблем і підготовку виправлень.

Платформа може спрямовувати окремі кроки до різних моделей — MAI-Cyber-1-Flash від Microsoft, GPT-5.4 від OpenAI або моделей Anthropic — залежно від того, яка з них краще відповідає конкретному завданню .

Що буде далі та кому доступна система

Спочатку Project Perception зосередиться на керуванні вразливостями програмного забезпечення. Надалі Microsoft описує ширший набір сценаріїв: постійний моніторинг, розслідування загроз і автоматизоване усунення проблем .

Публічне тестування заплановане на 3 серпня 2026 року. На першому етапі Project Perception буде доступна бізнес-клієнтам Microsoft, які вже тестують агентне середовище MDASH, і працюватиме всередині Microsoft Defender. Згодом компанія планує поширити її на інші продукти Microsoft Security .

Microsoft наголошує, що людина зберігає контроль над критичними рішеннями, навіть якщо рутинну роботу виконують агенти .

Чому це важливо для ринку ШІ-безпеки

Презентація відбулася на тлі конкуренції між розробниками ШІ у сфері кібербезпеки. Anthropic раніше просувала модель Claude Mythos, тоді як Google та OpenAI також інвестують у пошук вразливостей за допомогою штучного інтелекту .

Головною перевагою Microsoft може стати не одна велика універсальна модель, а маршрутизація завдань між моделями. Невелика спеціалізована модель бере на себе основний обсяг роботи, а дорожчі передові системи підключаються лише тоді, коли потрібне складніше міркування. Саме цим Microsoft пояснює потенційне скорочення витрат приблизно наполовину .

Для корпоративних клієнтів вирішальним випробуванням буде не тільки результат у CyberGym, а й стабільність роботи в реальній інфраструктурі. MDASH уже має заявлений практичний результат — 16 вразливостей Windows в одному циклі виправлень. Тепер Microsoft потрібно переконати ринок, що ці показники відтворюються незалежно, а організації готові дозволити ШІ постійно перевіряти власні системи та пропонувати їм виправлення .