مایکروسافت: MDASH در آزمون امنیت سایبری بر Claude Mythos و GPT-5.6 Sol برتری یافت

مایکروسافت اولین مدل اختصاصی خود را برای امنیت سایبری به نام MAI-Cyber-1-Flash معرفی کرد و آن را در سیستم شکار آسیب‌پذیری MDASH ادغام نمود. این شرکت ادعا می‌کند که این سیستم جدید، عملکرد بهتری نسبت به مدل‌های Mythos 5 از Anthropic و GPT-5.6 Sol از OpenAI دارد و در عین حال، ۵۰ درصد ارزان‌تر از بهترین پیکربندی فعلی MDASH مایکروسافت است.

عملکرد در بنچمارک CyberGym

بر اساس گزارش مایکروسافت، ترکیب این دو سیستم در بنچمارک CyberGym امتیاز ۹۵.۹۵ درصد را کسب کرده است. CyberGym یک معیار ارزیابی است که در آن از عوامل هوش مصنوعی خواسته می‌شود تا ۱۵۰۷ آسیب‌پذیری شناخته شده را در ۱۸۸ پروژه متن‌باز بازتولید کنند و سپس بر اساس درصد موفقیت در بازتولید در یک محیط کنترل شده، امتیازدهی می‌شوند.

این نتیجه، MDASH را در جایگاهی بالاتر از GPT-5.5 Cyber با ۸۵.۶ درصد، Mythos 5 با ۸۳.۸ درصد، GPT-5.6 Sol با ۸۳.۶ درصد و Gemini 3.5 Flash Cyber با ۸۳.۲ درصد قرار می‌دهد. این نتایج توسط خود مایکروسافت گزارش شده و در زمان انتشار، در جدول امتیازات عمومی CyberGym منتشر نشده بود، هرچند این بنچمارک از مجموعه تست عمومی و معیار مشخصی برای موفقیت استفاده می‌کند.

همکاری MAI-Cyber-1-Flash و MDASH

MAI-Cyber-1-Flash به تنهایی عمل نمی‌کند. مایکروسافت اعلام کرده است که این مدل تا ۹۰ درصد وظایف را بر عهده می‌گیرد، در حالی که ۱۰ درصد دشوارترین موارد را به GPT-5.4 ارجاع می‌دهد. این تقسیم وظایف اهمیت دارد زیرا توکن‌ها (بخش‌های متنی که هوش مصنوعی پردازش می‌کند) هر بار که مدلی کد را می‌خواند یا پاسخی تولید می‌کند، هزینه دارند.

این اولین بار است که یک مدل مایکروسافت که برای کارایی ساخته شده، قادر به شکست دادن یک مدل پیشرفته و متراکم است که با در نظر گرفتن قابلیت‌های عمومی طراحی شده است. ساتیا نادلا، مدیرعامل مایکروسافت، در این باره نوشته است: «هنگامی که با MDASH ترکیب می‌شود، (MAI-Cyber-1-Flash) عملکردی در سطح جهانی را با نیمی از هزینه مدل‌های پیشرو ارائه می‌دهد.»

نادلا در پستی در شبکه اجتماعی X (توییتر سابق) اعلام کرد: «امروز، ما مجموعه‌ای از به‌روزرسانی‌ها را اعلام می‌کنیم که امنیت در سطح پیشرفته را با نصف هزینه در اختیار مشتریان قرار می‌دهد. MAI-Cyber-1-Flash اولین مدل امنیت سایبری ماست که از ابتدا برای یافتن چالش‌برانگیزترین آسیب‌پذیری‌ها در پایگاه‌های کد پیچیده ساخته شده است. هنگامی که با MDASH ترکیب می‌شود، آن…»

تعریف مدل و هَرنس

یک مدل (در این مورد MAI-Cyber-1-Flash) هوش مصنوعی است که کد را تحلیل می‌کند. هَرنس (در این مورد MDASH) ماشین‌آلات اطراف آن است: عوامل، ابزارها، بررسی‌ها و گردش کاری که تصمیم می‌گیرند کجا را جستجو کنند، یافته‌های مشکوک را به چالش بکشند، موارد تکراری را حذف کنند و اثبات کنند که یک اشکال قابل فعال‌سازی است.

MDASH از بیش از ۱۰۰ عامل تخصصی استفاده می‌کند که برای حسابرسی کد، بحث در مورد واقعی بودن یک یافته و ساخت اثبات مفهوم (یک نمایش عملی از وجود نقص) اختصاص داده شده‌اند.

مزیت رقابتی مایکروسافت

مایکروسافت معتقد است که اسکن‌های گاه به گاه و وصله‌های تأخیری در حال منسوخ شدن هستند، زیرا هوش مصنوعی کشف اشکالات را ارزان‌تر می‌کند. این شرکت استدلال می‌کند که دهه‌ها داده امنیتی به آن مزیت می‌دهد و می‌افزاید: «هیچ‌کس نمی‌تواند این تاریخچه را تولید کند.»

از زمان عرضه Claude Mythos، کارشناسان امنیت سایبری در تلاش برای رقابت یا هم‌ترازی با قابلیت‌های آن بوده‌اند. محققان، شکار آسیب‌پذیری به سبک Mythos را با مدل‌های عمومی و با هزینه‌ای کمتر از ۳۰ دلار برای هر اسکن بازتولید کرده‌اند. داوید موچادلو، یکی از محققان درگیر، گفته است: «خندق از دسترسی به مدل به سمت اعتبارسنجی در حال حرکت است.»

بخش کمیاب، سیستمی است که یافته‌ها را بدون غرق کردن توسعه‌دهندگان در هشدارهای کاذب، اثبات می‌کند.

وب‌سایت Decrypt نیز گزارش داده بود که GPT-5.5 Cyber اخیراً با کسب امتیاز ۸۵.۶ درصد، با اختلاف اندکی Mythos را پشت سر گذاشته و در صدر جدول عمومی CyberGym قرار گرفته بود. امتیاز مایکروسافت حدود ۱۰ امتیاز بالاتر از GPT-5.5 Cyber و ۷.۵ امتیاز بالاتر از نتیجه قبلی MDASH است، اما این امتیاز کل سیستم را ارزیابی می‌کند، نه فقط MAI-Cyber-1-Flash را به تنهایی.

پیش‌نمایش خصوصی MDASH

مایکروسافت در حال حاضر MDASH را از طریق Microsoft Security Exposure Management در پورتال Defender به صورت پیش‌نمایش خصوصی ارائه می‌دهد. مشتریان می‌توانند مخازن Git را اسکن کنند، یافته‌ها را بر اساس احتمال از کم تا اثبات شده رتبه‌بندی کنند و از Defender CLI برای تولید اصلاحات کد پیشنهادی جهت بررسی توسط توسعه‌دهندگان استفاده نمایند.

این پیش‌نمایش در حال حاضر مخازن را به حدود ۲۵۶ مگابایت محدود می‌کند و اجازه یک اسکن همزمان در هر Tenant را می‌دهد. انتظار می‌رود Project Perception همین رویکرد چند عاملی را فراتر از اسکن کد به سمت نظارت گسترده‌تر بر تهدیدات و گردش کار اصلاحی گسترش دهد.