跳到主要內容

MAI-Cyber-1-Flash評測：微軟資安模型分數惹爭議 | MAI-Cyber-1-Flash Review: Microsoft's Score Draws Doubt

By Kit 小克 | AI Tool Observer | 2026-07-28

🇹🇼 MAI-Cyber-1-Flash評測：微軟資安模型分數惹爭議

Microsoft 於 2026年7月27日發布首款專用資安模型 MAI-Cyber-1-Flash，並整合進旗下的漏洞獵捕系統 MDASH，官方宣稱在 CyberGym 基準測試拿下 95.95% 的成績，超越 GPT-5.6 Sol、Claude Mythos 5 與 Gemini 3.5 Flash Cyber。但這次的重點不只是分數，而是分數背後的疑點——這正是 Kit 這次想深入聊的。

MAI-Cyber-1-Flash 是什麼？

MAI-Cyber-1-Flash 是一款稀疏混合專家（MoE）架構模型，回答核心規格：總參數137B、啟用參數僅5B，支援25.6萬 token 的上下文視窗。Microsoft 表示它能獨立處理MDASH系統中約九成的任務，剩下最困難的一成才轉交給GPT-5.4協助判斷，藉此壓低整體推論成本。

CyberGym 95.95% 分數為何惹爭議？

先回答問題：因為Kit查證公開排行榜後，發現這筆成績根本沒有出現在榜單上。CyberGym 是一套要求AI代理人重現1,507個已知真實漏洞（涵蓋188個開源專案）的基準測試，分數代表成功重現的比例。目前 CyberGym 公開排行榜第一名是 Wiz 的 Atlas 代理人（90.9%），而 Microsoft 自己 5 月 12 日送測的 MDASH 紀錄仍停在 88.4%。換句話說，95.95% 這個數字目前只出現在 Microsoft 自家部落格，尚未經第三方榜單驗證。

MDASH 怎麼運作？

簡單說：MDASH 不是單一模型，而是一套協調超過100個專職代理人的編排系統。每個代理人各自負責不同角色、工具、提示詞與停止規則。這種「多代理人分工」設計近來在資安AI領域相當流行，Google 的 Gemini 3.5 Flash Cyber、Sakana 的 Fugu-Cyber 都採類似路線，但基準分數灌水的爭議也隨之而來。

企業該不該相信這個分數？

Kit的建議很直接：不要只看廠商自己公佈的分數。企業評估資安AI時，務必比對第三方榜單（如CyberGym公開排行）的即時數據，並要求供應商提供可重現的測試設定。95.95%聽起來很吸引人，MAI-Cyber-1-Flash 的架構設計也確實有料，但目前為止，這仍是一個「尚待驗證」的數字。

  • 模型名稱：MAI-Cyber-1-Flash（137B總參數 / 5B啟用參數）
  • 系統名稱：MDASH（超過100個協作代理人）
  • 官方宣稱分數：CyberGym 95.95%
  • 公開榜單現況：未列入，第一名為Wiz Atlas（90.9%）

常見問題 FAQ

好不好用，試了才知道。

🇺🇸 MAI-Cyber-1-Flash Review: Microsoft's Score Draws Doubt

Microsoft released its first dedicated security model, MAI-Cyber-1-Flash, on July 27, 2026, folding it into its vulnerability-hunting system MDASH. The headline claim: a 95.95% score on the CyberGym benchmark, beating GPT-5.6 Sol, Claude Mythos 5, and Gemini 3.5 Flash Cyber. But the number itself turned out to be the more interesting story — and that's what Kit wants to dig into this time.

What Is MAI-Cyber-1-Flash?

MAI-Cyber-1-Flash is a sparse mixture-of-experts transformer with 137B total parameters and just 5B active parameters, running a 256K-token context window. Microsoft says it handles roughly 90% of tasks inside MDASH on its own, routing only the hardest 10% to GPT-5.4 — a design meant to cut inference cost while keeping accuracy high.

Why Is the 95.95% CyberGym Score Controversial?

Short answer: because the public leaderboard doesn't show it. CyberGym asks AI agents to reproduce 1,507 known real-world vulnerabilities across 188 open-source projects, scoring the percentage successfully reproduced. When Kit checked the public CyberGym leaderboard, Microsoft's claimed 95.95% result wasn't listed. The top public entry belongs to Wiz's Atlas agent at 90.9%, while Microsoft's own May 12 MDASH submission still shows 88.4%. In other words, the 95.95% figure currently exists only in Microsoft's own blog post — not on the independently verified leaderboard.

How Does MDASH Actually Work?

In short: MDASH isn't a single model — it's an orchestration layer coordinating over 100 specialized agents, each with its own role, tools, prompts, and stopping rules. This multi-agent-division-of-labor pattern is increasingly common in security AI, echoing Google's Gemini 3.5 Flash Cyber and Sakana's Fugu-Cyber — and so is the benchmark-inflation controversy that tends to follow it.

Should You Trust the Score?

Kit's take: when evaluating security AI, don't take vendor-published numbers at face value. Cross-check independent leaderboards like CyberGym's public rankings, and ask vendors for reproducible test configurations. 95.95% is an eye-catching number, and the architecture behind MAI-Cyber-1-Flash is genuinely interesting — but for now, the headline score is still unverified.

  • Model: MAI-Cyber-1-Flash (137B total / 5B active parameters)
  • System: MDASH (100+ coordinated agents)
  • Claimed score: 95.95% on CyberGym
  • Public leaderboard status: not listed; top entry is Wiz Atlas at 90.9%

好不好用，試了才知道。

Sources / 資料來源

常見問題 FAQ

MAI-Cyber-1-Flash是什麼？

Microsoft於2026年7月發布的首款專用資安模型，採稀疏混合專家架構，總參數137B、啟用參數5B，整合進MDASH漏洞獵捕系統使用。

CyberGym是什麼基準測試？

CyberGym是一套要求AI代理人重現1,507個已知真實漏洞（涵蓋188個開源專案）的資安基準，分數代表成功重現的比例。

為什麼MDASH的95.95%分數有爭議？

因為截至2026年7月28日查證時，這項成績並未出現在CyberGym公開排行榜上，榜單第一名是Wiz Atlas的90.9%，Microsoft自己5月送測紀錄則是88.4%。

MDASH跟一般AI模型有什麼不同？

MDASH不是單一模型，而是協調超過100個專職代理人的編排系統，每個代理人分工處理不同任務、工具與停止規則。

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容

Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 | Google Ironwood TPU v7 Explained: Matching NVIDIA Performance at 44% Lower Cost — The AI Chip War Heats Up

By Kit 小克 | AI Tool Observer | 2026-04-21 🇹🇼 Google Ironwood TPU v7 推理專用晶片解析：效能追平 NVIDIA、成本低 44%，AI 晶片戰爭正式開打 Google Ironwood TPU 是什麼？為什麼它讓 NVIDIA 緊張？ Google Ironwood TPU（代號 TPU v7）是 Google 第七代自研 AI 晶片，也是第一款 專為推理（inference）設計 的 TPU。在 AI 模型越來越大、推理需求暴增的時代，Google 不再只依賴 NVIDIA GPU，而是推出自己的推理專用晶片來搶市場。 Ironwood TPU v7 規格有多強？ 每顆 Ironwood TPU 提供 4.6 petaFLOPS 的 FP8 運算效能 ，搭載 192 GB HBM3E 記憶體，頻寬達 7.37 TB/s。單顆效能略高於 NVIDIA B200（4.5 petaFLOPS），接近 GB300 的 5 petaFLOPS。 更驚人的是規模化能力：Ironwood 可擴展至 9,216 顆晶片組成超級叢集 ，總算力達 42.5 ExaFLOPS，遠超 NVIDIA GB300 NVL72 系統的 0.36 ExaFLOPS。共享記憶體池高達 1.77 PB，解決了大型模型推理時的資料瓶頸問題。 Ironwood TPU 比 NVIDIA 便宜多少？ 根據分析，Ironwood 的 整體擁有成本（TCO）比 NVIDIA GB200 低約 44% 。在能效方面，Ironwood 的 FP8 效能達每瓦 5.42 TFLOPS，而 GB300 為 3.57 TFLOPS/W，Google 晶片的能效高出約 52%。 為什麼 Google 要做推理專用晶片？ AI 產業正從「訓練時代」轉向「推理時代」。當 ChatGPT、Gemini、Claude 等 AI 助手每天處理數十億次查詢時，推理運算的需求遠超過訓練。Google 稱之為「推理時代（age of inference）」，而 Ironwood TPU 就是為這個時代量身打造的武器。 對開發者和企業有什麼影響？ Ironwood TPU 目前 只能透過 Google Cloud 使用，無法...
閱讀完整內容

Claude Code 實測：AI 幫你寫程式到底行不行？ | Claude Code Review: Can AI Really Code for You?

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Claude Code 實測：AI 幫你寫程式到底行不行？ Claude Code 是 Anthropic 推出的命令列 AI 程式助手，直接在你的終端機裡運作。跟其他 AI 程式工具不同的是，它不是 IDE 外掛，而是一個獨立的 CLI 工具，可以讀取你的整個 codebase、執行指令、甚至幫你做 git 操作。我實際用了幾個月，以下是真實心得。 安裝與設定 安裝非常簡單，透過 npm 就能搞定： npm install -g @anthropic-ai/claude-code 。啟動後它會要求你登入 Anthropic 帳號或設定 API key。整個流程不到五分鐘。 實際使用體驗 Claude Code 最強的地方在於 它理解你的整個專案 。你不需要手動貼程式碼，它會自己讀取相關檔案、分析程式結構，然後給出建議或直接修改。實測幾個場景： Bug 修復 ：描述錯誤現象，它能自動找到問題檔案並提出修正，準確率大約 70-80% 新功能開發 ：給它需求描述，它能產出可用的初版程式碼，但通常需要人工調整細節 程式碼重構 ：這是它最擅長的。重新命名變數、抽取函式、調整架構，做得又快又好 寫測試 ：給它一個函式，它能產生相當完整的測試案例 優缺點分析 優點： 深度理解 codebase，不是只看單一檔案 可以執行 shell 指令，直接跑測試、裝套件 支援 CLAUDE.md 讓你定義專案規則 agentic 模式下可以自主完成多步驟任務 缺點： API 費用不便宜，大型專案一天可能花 10-30 美元 偶爾會過度修改，改了不該改的地方 對非英語的程式碼註解理解力稍弱 需要良好的網路連線 適合誰用？ 如果你是全端開發者、需要處理多個專案、或者經常做重構，Claude Code 絕對值得一試。但如果你只是寫簡單的腳本，免費的 Copilot 可能就夠了。 Kit 的結論： Claude Code 是目前最接近「AI 工程師」的工具。它不完美，但確實能大幅提升生產力。好不好用？試了才知道。 🇺🇸 Claude Code Review: Can AI Really Code for You?...
閱讀完整內容