La puntuación destacada pertenece a MDASH ejecutando MAI-Cyber-1-Flash junto con GPT-5.4, no al nuevo modelo por sí solo. El Nivel 1 de CyberGym es una prueba de reproducción de vulnerabilidades conocidas. Proporciona a un agente una descripción de la vulnerabilidad y el código fuente correspondiente sin parchear, y luego comprueba si puede producir una prueba de concepto funcional. No mide el descubrimiento de vulnerabilidades a ciegas ni si un parche generado es correcto.

La tabla de clasificación pública de CyberGym [https://www.cybergym.io/cybergym/] no mostraba el resultado del 95,95% de Microsoft cuando se consultó el 28 de julio de 2026. Todavía figuraba el envío de MDASH de Microsoft del 12 de mayo con un 88,4%. Los materiales públicos de Microsoft no indican si el resultado fue enviado para su publicación.

El resultado anterior de MDASH de Microsoft del 96,55% no resuelve la comparación. Esa cifra de junio contaba cualquier fallo, incluidas las vulnerabilidades que no eran el objetivo. Los materiales de julio no dicen si el resultado del 95,95% utiliza el mismo criterio, por lo que las dos puntuaciones no pueden leerse con seguridad como una tendencia de rendimiento de antes y después.

Según la tarjeta del modelo de Microsoft [https://microsoft.ai/pdf/MAI-Cyber-1-Flash-Model-Card.pdf], MAI-Cyber-1-Flash es un transformador de mezcla dispersa de expertos con 137.000 millones de parámetros totales, cinco mil millones de parámetros activos y una ventana de contexto de 256.000 tokens. Es un ajuste fino de ciberseguridad de MAI-Code-1-Flash [https://microsoft.ai/pdf/MAI-Code-1-Flash-Model-Card.PDF], que fue desarrollado a partir de un punto de control de entrenamiento medio de MAI-Thinking-1.



La tarjeta del modelo indica que la configuración evaluada reemplazó el 80% de los modelos existentes de MDASH y elevó el resultado reportado en CyberGym del 88,4% al 95,95%. Esa cifra del 80% es la proporción de modelos reemplazados. La cifra separada del 90% es la proporción máxima de tareas que Microsoft dice que el modelo más pequeño puede manejar.

En conjunto, el diseño revelado apunta al enrutamiento como la principal afirmación técnica: MAI-Cyber-1-Flash está destinado a manejar la mayoría de las tareas, GPT-5.4 se encarga del resto más difícil, y Microsoft reporta el resultado a nivel del sistema MDASH.



El anuncio de lanzamiento de Microsoft [https://microsoft.ai/news/introducing-mai-cyber-1-flash-inside-mdash/] define el ahorro del 50% frente a su mejor mezcla actual de modelos MDASH de GPT-5.4, GPT-5.4 mini y GPT-5.3 Codex. La página del producto describe por separado que el sistema ofrece un "rendimiento comparable al 50% del coste de los modelos líderes". El anuncio y la tarjeta del modelo no revelan el uso de tokens, el volumen de llamadas, la latencia, la mezcla de tareas o la asignación de cómputo detrás de esa comparación, por lo que la cifra aún no puede reproducirse de forma independiente ni normalizarse frente a otros sistemas.

"El modelo es una entrada, el sistema a su alrededor es el producto".

Taesoo Kim, vicepresidente de seguridad agéntica de Microsoft, utilizó esa distinción al describir MDASH en junio [https://www.microsoft.com/en-us/security/blog/2026/06/17/beyond-the-benchmark-advancing-security-at-ai-speed/]. Bajo un entorno de terminal ligero, la tarjeta del modelo reporta puntuaciones de 0,314 en CVEBench, 0,553 en inteligencia de amenazas CyberSecEval4, 0,33 en su prueba de análisis de malware y 0,651 en CRSBench con POV=1200.

El modelo obtuvo una puntuación de cero en las categorías de kernel, espacio de usuario y navegador de ExploitGym [https://www.cybergym.io/exploitgym/], que pide a los agentes que conviertan vulnerabilidades suministradas y entradas que provocan fallos en exploits de ejecución de código funcionales. Estos resultados provienen de diferentes tareas y escalas de puntuación, por lo que ninguno es una puntuación de CyberGym independiente para MAI-Cyber-1-Flash.

Microsoft afirmó que todas las pruebas de referencia se realizaron en un entorno aislado de la red sin acceso a sistemas de producción, internet público o servicios externos. La tarjeta del modelo también advierte que el texto y el código generados pueden ser inexactos o incompletos y deben ser revisados antes de un uso consecuente.

La gestión de vulnerabilidades de software utilizando MAI-Cyber-1-Flash dentro de MDASH es el primer escenario que Microsoft ha anunciado para Project Perception, su sistema más amplio para coordinar agentes de seguridad defensivos. Project Perception [https://blogs.microsoft.com/blog/2026/07/27/rethinking-security-for-the-age-of-ai/] tiene programado entrar en vista previa pública el 3 de agosto, y Microsoft planea extender el modelo más allá del trabajo de vulnerabilidades de software hacia flujos de trabajo de seguridad adicionales.

Fuente:
THN