مائیکروسافٹ کے نئے MAI-Cyber-1-Flash ماڈل نے CyberGym بینچ مارک پر 96% اسکور حاصل کیا ہے، جس نے Anthropic، Google اور OpenAI کے ہم پلہ سیکیورٹی ماڈلز کو پیچھے چھوڑ دیا ہے۔ مائیکروسافٹ کا کہنا ہے کہ یہ طریقہ کار کوڈ کی سطح کے زیادہ تر نقائص کو پکڑتے ہوئے، انٹرپرائز سیکیورٹی انجن کے اخراجات کو تقریباً نصف تک کم کر سکتا ہے۔

یہ ماڈل کیسے کام کرتا ہے

MAI-Cyber-1-Flash ایک مختصر اور زیادہ پیداواری صلاحیت (high-throughput) والا ماڈل ہے جو تقریباً 90% معمول کے سیکیورٹی کام خود سنبھال لیتا ہے۔ مائیکروسافٹ باقی مشکل کیسز کو "اسمارٹ روٹنگ" یا ماڈل-کیسکیڈنگ سسٹم کے ذریعے ایک بڑے اور زیادہ مہنگے ماڈل—OpenAI کے GPT-5.4—کو بھیج دیتا ہے۔ سستا ماڈل زیادہ تر کام کرتا ہے؛ مہنگا ماڈل صرف انتہائی پیچیدہ چیلنجز (edge-case challenges) کے لیے استعمال کیا جاتا ہے۔ مائیکروسافٹ کا دعویٰ ہے کہ اس تقسیم سے مجموعی اخراجات میں 50% کی کمی آتی ہے۔

CyberGym اسکور کی اہمیت کیوں ہے

CyberGym سورس کوڈ میں سیکیورٹی کی کمزوریوں کو پہچاننے کی ماڈل کی صلاحیت کی پیمائش کرتا ہے۔ 96% پاس ریٹ کا مطلب ہے کہ ماڈل ٹیسٹ سوٹ میں شامل تقریباً تمام نقائص کی درست نشاندہی کرتا ہے۔ مائیکروسافٹ اس درستگی کو، لاگت بچانے والی روٹنگ کے ساتھ ملا کر، بڑے پیمانے پر کوڈ-سیکیورٹی پائپ لائنز کے لیے ایک نئے معیار کے طور پر پیش کر رہا ہے۔

انٹرپرائز کے لیے اہمیت

مائیکروسافٹ روزانہ تقریباً 100 ٹریلین سیکیورٹی سگنلز پر کارروائی کرتا ہے۔ مخصوص ماڈلز کے امتزاج کو منظم کر کے، کمپنی کا مقصد اپنے Azure صارفین کے لیے ایک مرکزی "سیکیورٹی آرکیسٹریٹر" کے طور پر کام کرنا ہے، جو ایک ایسی واحد سروس فراہم کرے جو بجٹ کو متاثر کیے بغیر وسعت اختیار کر سکے۔ اگر لاگت میں کمی کا دعویٰ درست ثابت ہوا، تو ادارے اپنے سیکیورٹی اخراجات کا ایک بڑا حصہ خطرات کی تلاش (threat-hunting) یا تعمیل رپورٹنگ (compliance reporting) کی طرف منتقل کر سکتے ہیں۔

غور طلب مضادات

ناقدین خبردار کرتے ہیں کہ بینچ مارک کے نتائج ہمیشہ حقیقی دنیا کے ماحول پر لاگو نہیں ہوتے، جہاں کوڈ بیس، زبانیں اور خطرات کے ذرائع (threat vectors) بہت مختلف ہو سکتے ہیں۔ مشکل ترین کیسز کے لیے بیرونی ماڈل (GPT-5.4) پر انحصار کرنے سے ڈیٹا کی رہائش (data-residency)، لیٹنسی (latency) اور وینڈر لاک-ان (vendor-lock-in) کے خدشات بھی پیدا ہوتے ہیں۔ مزید برآں، 50% بچت کا ہندسہ ایک ایسے ورک لوڈ کی تقسیم پر مبنی ہے جو مائیکروسافٹ کے اندرونی ٹریفک کے مطابق ہو؛ کچھ کمپنیوں کے لیے اس کا اثر کم ہو سکتا ہے۔

آگے کیا نظر آئے گا

مائیکروسافٹ اس ماڈل کو Azure کی سیکیورٹی سروسز کے ذریعے متعارف کروا رہا ہے، اس لیے انٹرپرائز صارفین میں اس کے اپنانے کی شرح پہلا ٹھوس امتحان ہوگی۔ مبصرین اس بات پر بھی نظر رکھیں گے کہ آیا یہ کیسکیڈنگ طریقہ کار صحت اور مالیات جیسے ریگولیٹڈ شعبوں تک پھیلتا ہے یا نہیں، جہاں ڈیٹا پرائیویسی کے قوانین تھرڈ پارٹی ماڈلز کے استعمال کو پیچیدہ بنا سکتے ہیں۔

خلاصہ: MAI-Cyber-1-Flash ظاہر کرتا ہے کہ ایک ہائبرڈ ماڈل حکمت عملی اعلیٰ درجے کی شناخت فراہم کر سکتی ہے اور ساتھ ہی لاگت میں نمایاں کمی کا وعدہ بھی کر سکتی ہے—بشرطیکہ لیبارٹری سے باہر کارکردگی برقرار رہے اور روٹنگ کا اضافی بوجھ کم رہے۔