Microsoft заявляет, что ее новая модель безопасности набирает 96% в CyberGym. Тест проводила сама Microsoft.

Microsoft Security объявила о запуске MAI-Cyber-1-Flash, своей первой специализированной модели для безопасности, вместе с Project Perception 27 июля — об этом говорится в посте, подписанном исполнительным вице-президентом Hayete Gallot. Project Perception — это скоординированная система агентов red, blue и green, и она выходит в публичный превью 3 августа. Microsoft также объявила о FORGE Labs, которым руководит вице-президент Taesoo Kim, и о внешнем альянсе red-team, финансирующем 18 университетских лабораторий на шести континентах.

Заявленный результат

Microsoft оценивает свой стек в 95,95% в CyberGym — в публикации это округлено до 96% — и утверждает, что это на 12 пунктов выше, чем у Mythos. Опубликованная ею сравнительная выборка: GPT-5.5 Cyber — 85,6%, Mythos 5 — 83,8%, GPT-5.6 Sol — 83,6% и Gemini 3.5 Flash Cyber — 83,2%. Компания также заявляет о "почти 50% экономии затрат по сравнению с текущей конфигурацией MDASH на рынке сегодня." Mustafa Suleyman назвал это "весьма замечательным результатом".

Три проблемы с этой цифрой

Во-первых, бенчмарк полностью заявлен самой Microsoft: нет независимой проверки, нет числа прогонов, нет погрешностей. Во-вторых, и это важнее, 96% получены благодаря согласованной двухмодельной системе — Flash выполняет примерно 90% задач и передает остальное GPT-5.4 — при сравнении с одномодельными решениями конкурентов. В-третьих, заявление о стоимости измеряется относительно собственной прежней конфигурации Microsoft, а не относительно конкурентов; по крайней мере одно издание передало его как "вдвое дешевле других ведущих моделей", что является существенно иным и ничем не подтвержденным утверждением.

Что измеряет CyberGym

Воспроизведение уязвимостей, а не их эксплуатацию в реальных условиях. Модель, которая воспроизводит 96% известных уязвимостей бенчмарка, не решила 96% задач безопасности, и Microsoft не утверждает обратного — но именно такой смысл нередко возникает в освещении темы.

Стратегический ход, стоящий за этим

Последние два года Microsoft продает продукты безопасности, построенные на партнерских моделях. Теперь она выпускает собственные веса и назначает им цену, сопоставляя их с этими партнерами, — внутри своей крупнейшей enterprise-стратегии продаж. И в тот же день она передала MDASH в новый альянс открытых моделей Nvidia. Создавать собственную модель, демпинговать в отношении поставщиков, чьи модели ты перепродаешь, и одновременно поддерживать лагерь open-weights — это не три шага. Это один.