远程代码执行漏洞之所以危险，是因为攻击者可能在受害系统上执行任意代码，从而控制设备或企业网络环境。

这些漏洞被纳入 2026年5月补丁星期二更新，该更新整体修复了约 120个安全漏洞（CVE）。

MDASH是什么：微软的多模型AI安全系统

MDASH是微软开发的一种 多模型、多智能体（agentic）安全平台，目标是自动化传统由安全研究员手动完成的大量漏洞挖掘工作。

与传统静态扫描工具不同，MDASH并不是单一AI模型，而是一个协调系统。它可以同时调度 100多个专用AI智能体，协同分析大型代码库。

该系统由微软 Autonomous Code Security 团队 与 Windows Attack Research and Protection 团队 联合开发。

其核心目标是：在像Windows这样规模巨大的软件系统中，更快地找到可被利用的漏洞。

多智能体漏洞扫描是如何工作的

根据公开资料，MDASH的漏洞发现流程类似一个自动化的安全研究团队，分为多个阶段：

1. 代码准备与攻击面建模
系统首先导入源代码，并建立攻击面模型，标识潜在风险区域。

2. 大规模AI智能体扫描
数十到上百个审计智能体并行分析代码，提出可能存在漏洞的假设，并给出证据。

3. 智能体“辩论”与验证
另一组AI智能体对这些发现进行质疑或验证，相当于在系统内部进行技术评审。

4. 去重与聚合
系统合并语义相似的发现，减少重复漏洞报告。

5. 漏洞证明生成
最后阶段尝试触发漏洞或生成利用证据，以证明漏洞真实存在。

这种流程其实非常接近真实的安全研究流程——提出假设、验证问题、证明漏洞——但通过自动化系统实现高速运行。

基准测试和实验结果

早期测试表明，MDASH在漏洞发现任务上表现较强。

例如，在 CyberGym漏洞基准测试 中，MDASH取得了 约88%的成绩，在同类工具中表现领先。

在内部测试中，该系统还成功检测出测试驱动程序样本中 所有植入的漏洞，显示出较高的漏洞召回能力。

需要注意的是，这些实验结果并不等同于真实环境表现，但它们说明多智能体AI系统在漏洞挖掘方面具有实际潜力。

首次真实应用的意义

MDASH最重要的一点是：它的首次公开成果 并不是实验室演示，而是真实修复的Windows漏洞。

安全工具往往在研究环境中表现很好，但在真实大型软件项目中难以发现可利用漏洞。

而这一次，MDASH帮助发现的漏洞被直接纳入Windows官方安全更新，这意味着AI系统已经能够在核心系统代码中发现真实问题。

微软的“AI速度防御”战略

微软将MDASH视为更大安全战略的一部分，即 “Defense at AI speed（以AI速度进行防御）”。

逻辑很简单：

如果攻击者可以使用AI更快地发现漏洞，那么防御方也必须使用AI更快地找到并修复它们。

微软计划 向企业客户开放MDASH的私有预览版本，让组织在自身代码环境中尝试AI辅助漏洞发现。

如果这类系统成熟，未来的软件安全流程可能会发生明显变化，例如：

• 在超大规模代码库中自动扩展漏洞研究能力
• 缩短漏洞发现到修复的时间
• 为安全研究员提供自动化假设生成与验证工具

从这个角度看，MDASH可能预示着一种新的安全团队结构：AI智能体将成为持续扫描系统漏洞的“常驻成员”，与人类研究员一起工作。

2026年5月补丁星期二的结果显示，未来发现软件漏洞的主体，很可能不再只有人类研究员——还会有AI。

远程代码执行漏洞之所以危险，是因为攻击者可能在受害系统上执行任意代码，从而控制设备或企业网络环境。

这些漏洞被纳入 2026年5月补丁星期二更新，该更新整体修复了约 120个安全漏洞（CVE）。

MDASH是什么：微软的多模型AI安全系统

MDASH是微软开发的一种 多模型、多智能体（agentic）安全平台，目标是自动化传统由安全研究员手动完成的大量漏洞挖掘工作。

与传统静态扫描工具不同，MDASH并不是单一AI模型，而是一个协调系统。它可以同时调度 100多个专用AI智能体，协同分析大型代码库。

该系统由微软 Autonomous Code Security 团队 与 Windows Attack Research and Protection 团队 联合开发。

其核心目标是：在像Windows这样规模巨大的软件系统中，更快地找到可被利用的漏洞。

多智能体漏洞扫描是如何工作的

根据公开资料，MDASH的漏洞发现流程类似一个自动化的安全研究团队，分为多个阶段：

1. 代码准备与攻击面建模
系统首先导入源代码，并建立攻击面模型，标识潜在风险区域。

2. 大规模AI智能体扫描
数十到上百个审计智能体并行分析代码，提出可能存在漏洞的假设，并给出证据。

3. 智能体“辩论”与验证
另一组AI智能体对这些发现进行质疑或验证，相当于在系统内部进行技术评审。

4. 去重与聚合
系统合并语义相似的发现，减少重复漏洞报告。

5. 漏洞证明生成
最后阶段尝试触发漏洞或生成利用证据，以证明漏洞真实存在。

这种流程其实非常接近真实的安全研究流程——提出假设、验证问题、证明漏洞——但通过自动化系统实现高速运行。

基准测试和实验结果

早期测试表明，MDASH在漏洞发现任务上表现较强。

例如，在 CyberGym漏洞基准测试 中，MDASH取得了 约88%的成绩，在同类工具中表现领先。

在内部测试中，该系统还成功检测出测试驱动程序样本中 所有植入的漏洞，显示出较高的漏洞召回能力。

需要注意的是，这些实验结果并不等同于真实环境表现，但它们说明多智能体AI系统在漏洞挖掘方面具有实际潜力。

首次真实应用的意义

MDASH最重要的一点是：它的首次公开成果 并不是实验室演示，而是真实修复的Windows漏洞。

安全工具往往在研究环境中表现很好，但在真实大型软件项目中难以发现可利用漏洞。

而这一次，MDASH帮助发现的漏洞被直接纳入Windows官方安全更新，这意味着AI系统已经能够在核心系统代码中发现真实问题。

微软的“AI速度防御”战略

微软将MDASH视为更大安全战略的一部分，即 “Defense at AI speed（以AI速度进行防御）”。

逻辑很简单：

如果攻击者可以使用AI更快地发现漏洞，那么防御方也必须使用AI更快地找到并修复它们。

微软计划 向企业客户开放MDASH的私有预览版本，让组织在自身代码环境中尝试AI辅助漏洞发现。

如果这类系统成熟，未来的软件安全流程可能会发生明显变化，例如：

• 在超大规模代码库中自动扩展漏洞研究能力
• 缩短漏洞发现到修复的时间
• 为安全研究员提供自动化假设生成与验证工具

从这个角度看，MDASH可能预示着一种新的安全团队结构：AI智能体将成为持续扫描系统漏洞的“常驻成员”，与人类研究员一起工作。

2026年5月补丁星期二的结果显示，未来发现软件漏洞的主体，很可能不再只有人类研究员——还会有AI。