Mô hình MAI-Cyber-1-Flash mới của Microsoft đã đạt điểm số 96% trên bộ tiêu chuẩn CyberGym, vượt qua các mô hình bảo mật tương đương từ Anthropic, Google và OpenAI. Microsoft cho biết phương pháp này có thể cắt giảm khoảng một nửa chi phí công cụ bảo mật doanh nghiệp trong khi vẫn phát hiện được hầu hết các lỗi ở cấp độ mã nguồn.

Cách thức hoạt động của mô hình

MAI-Cyber-1-Flash là một mô hình nhỏ gọn, có thông lượng cao, có khả năng tự xử lý khoảng 90% các tác vụ bảo mật thông thường. Microsoft chuyển các trường hợp khó hơn còn lại tới một mô hình lớn hơn và đắt tiền hơn—GPT-5.4 của OpenAI—thông qua hệ thống "định tuyến thông minh" (smart routing) hoặc hệ thống phân tầng mô hình (model-cascading). Mô hình giá rẻ đảm nhận phần lớn công việc; mô hình đắt tiền chỉ được huy động cho các thách thức mang tính đặc thù. Microsoft khẳng định sự phân chia này giúp cắt giảm 50% tổng chi tiêu.

Tại sao điểm số CyberGym lại quan trọng

CyberGym đo lường khả năng phát hiện các lỗ hổng bảo mật trong mã nguồn của một mô hình. Tỷ lệ vượt qua 96% có nghĩa là mô hình xác định chính xác hầu hết tất cả các lỗi được đưa vào trong bộ thử nghiệm. Microsoft đang định vị độ chính xác đó, kết hợp với việc định tuyến tiết kiệm chi phí, như một tiêu chuẩn mới cho các quy trình bảo mật mã nguồn quy mô lớn.

Tầm quan trọng đối với doanh nghiệp

Microsoft xử lý khoảng 100 nghìn tỷ tín hiệu bảo mật mỗi ngày. Bằng cách điều phối sự kết hợp giữa các mô hình chuyên dụng, công ty đặt mục tiêu đóng vai trò là "bộ điều phối bảo mật" (security orchestrator) trung tâm cho các khách hàng Azure của mình, cung cấp một dịch vụ duy nhất có thể mở rộng quy mô mà không làm bùng nổ ngân sách. Nếu tuyên bố cắt giảm chi phí là chính xác, các tổ chức có thể chuyển một phần đáng kể ngân sách bảo mật của họ sang việc săn tìm mối đe dọa (threat-hunting) hoặc báo cáo tuân thủ.

Các quan điểm trái chiều cần xem xét

Các nhà phê bình cảnh báo rằng kết quả kiểm thử không phải lúc nào cũng áp dụng được vào môi trường thực tế, nơi các kho mã nguồn, ngôn ngữ và vectơ đe dọa rất đa dạng. Việc dựa vào một mô hình bên ngoài (GPT-5.4) cho các trường hợp khó nhất cũng làm dấy lên những lo ngại về nơi lưu trữ dữ liệu (data-residency), độ trễ và sự phụ thuộc vào nhà cung cấp (vendor-lock-in). Hơn nữa, con số tiết kiệm 50% giả định rằng sự phân bổ khối lượng công việc khớp với lưu lượng truy cập nội bộ của Microsoft; một số công ty có thể sẽ thấy tác động ít hơn.

Điều gì cần theo dõi tiếp theo

Microsoft đang triển khai mô hình này thông qua các dịch vụ bảo mật của Azure, vì vậy tỷ lệ áp dụng trong số các khách hàng doanh nghiệp sẽ là bài kiểm tra thực tế đầu tiên. Các nhà quan sát cũng sẽ theo dõi việc mở rộng phương pháp phân tầng này sang các lĩnh vực được quản lý chặt chẽ như y tế và tài chính, nơi các quy định về quyền riêng tư dữ liệu có thể làm phức tạp việc sử dụng các mô hình của bên thứ ba.

Điểm mấu chốt: MAI-Cyber-1-Flash cho thấy chiến lược mô hình hỗn hợp có thể mang lại khả năng phát hiện gần như ở mức hàng đầu trong khi hứa hẹn giảm đáng kể chi phí—với điều kiện hiệu suất vẫn duy trì ổn định bên ngoài phòng thí nghiệm và chi phí vận hành định tuyến ở mức thấp.