A nova arquitetura de agente emprega um modelo roteador para lidar com a maioria das tarefas de análise de vulnerabilidades, reduzindo o custo computacional pela metade sem comprometer a taxa de resolução em ambientes de validação控制ados.
| Componente | Modelos MAI-Cyber-1-Flash e GPT-5.4 em conjunto com a plataforma de orquestração MDASH |
| Vetor | Orquestração automatizada de múltiplos agentes de inteligência artificial para identificar, reproduzir e tentar remediar falhas em códigos não corrigidos, baseando-se em descrições prévias da vulnerabilidade |
| Impacto | Aumento da eficiência na triagem automatizada de vulnerabilidades e na geração de códigos de prova de conceito com redução de cinquenta por cento no custo de inferência em comparação com arquiteturas anteriores |
| Prioridade | Avaliar a integração de sistemas de roteamento baseados em inteligência artificial em fluxos de análise defensiva, mantendo a revisão humana obrigatória devido ao risco de respostas imprecisas e limitações na conversão de falhas em exploits reais |
A Microsoft anunciou a implementação de seu primeiro modelo de inteligência artificial dedicado à segurança cibernética, integrado ao sistema de orquestração MDASH. Está infraestrutura multi-agente é projetada para automatizar a identificação de falhas, a validação de vulnerabilidades e a remediação de código. O novo modelo, denominado MAI-Cyber-1-Flash, atua em conjunto com a tecnologia GPT-5.4 para processar tarefas de análise de segurança. A combinação destes sistemas alcançou uma taxa de sucesso de 95,95% no ambiente de validação CyberGym, um marco que a empresa afirma representar uma redução de cinquenta por cento nos custos operacionais quando comparado às suas configurações anteriores de melhor desempenho.
O modelo MAI-Cyber-1-Flash é uma rede transformadora do tipo mistura de especialistas, possuindo 137 bilhões de parâmetros no total, dos quais apenas cinco bilhões são ativados dinamicamente durante o processamento. Está arquitetura permite uma janela de contexto abrangente de 256 mil tokens, otimizando a análise de grandes bases de código e documentação técnica extensa. O sistema é um ajuste fino derivado da base MAI-Code-1-Flash, que por sua vez foi desenvolvida a partir de um ponto de verificação intermediário do modelo MAI-Thinking-1. O acesso a está infraestrutura é restrito a clientes aprovados da plataforma MDASH através de uma visualização privada no ambiente Azure AI Foundry.
O anúncio técnico destaca a estratégia de roteamento dinâmico como a premissa central para a otimização de recursos. O MAI-Cyber-1-Flash é designado para processar até noventa por cento do volume total de tarefas dentro do MDASH, lidando com a triagem inicial, análise de contexto e tentativas de reprodução de falhas mais diretas. O modelo GPT-5.4 é reservado exclusivamente para os dez por cento de tarefas classificadas como de maior complexidade técnica. Está metodologia de divisão de carga de trabalho é o mecanismo primário que possibilita a redução de cinquenta por cento no custo computacional em relação à arquitetura anterior, que utilizava uma mistura de GPT-5.4, GPT-5.4 mini e GPT-5.3 Codex.
O fluxo operacional do MDASH depende de uma forte segmentação de responsabilidades entre os modelos de linguagem para maximizar a eficiência técnica. Ao receber uma requisição para análise de vulnerabilidade, o sistema de orquestração direciona a demanda inicial para o modelo MAI-Cyber-1-Flash. Neste estágio, ocorre a ingestão da descrição da falha e do código-fonte não corrigido. O método de roteamento garante que inferências complexas e caras sejam evitadas na fase inicial de triagem, aumentando o rendimento geral do sistema de identificação e remediação. O ajuste fino desta arquitetura substituiu oitenta por cento dos modelos anteriormente utilizados no MDASH.
Quando a tarefa exige raciocínio aprofundado, depuração complexa ou superação de barreiras lógicas que o modelo primário não consegue romper, a requisição é escalada para o GPT-5.4. A maior parte do trabalho de validação automatizada trata da reprodução de vulnerabilidades conhecidas, onde o agente recebe os dados de entrada e tenta formular um código de prova de conceito funcional. Ao finalizar o ciclo de análise, a-platform MDASH compila os resultados e apresenta as tentativas de validação. O sistema registra que a configuração Conjunta elevou o desempenho geral documentado de 88,4% para 95,95% no portal CyberGym.
Apesar do alto índice de sucesso na reprodução de falhas documentadas, a capacidade imperativa do sistema sofre limitações severas em cenários de exploração real. Em testes rigorosos envolvendo a conversão de entradas de colapso de aplicação em exploits executáveis, o modelo registrou pontuação zero em categorias de núcleo do sistema, espaço de usuário aplicacional e navegadores web. Está restrição factual indica que, embora a inteligência artificial consiga identificar falhas estruturais no código onde colapsos ocorrem, a transição para a execução arbitrária de comandos remotos foge da capacidade atual da ferramenta.
A documentação técnica de segurança afirma que a avaliação foi conduzida em um ambiente computacional estritamente isolado de rede. Não houve acesso à internet pública, sistemas de produção ou repositórios externos durante a fase de testes de validação. Este isolamento garante que a inteligência artificial não busque resoluções pré-existentes ou instruções maliciosas externas, mas dependa estritamente do treinamento interno, do raciocínio aplicado e dos insumos de código fornecidos na requisição local.
O domínio de atuação da plataforma é focado na automação de processos defensivos em ambientes de desenvolvimento. A meta principal é auxiliar analistas e engenheiros de segurança na carga pesada de triagem de ameaças e geração inicial de correções, sendo a validação humana estritamente necessária. O diretor de segurança agente da Microsoft enfatizou que a ferramenta atua sob uma estrutura de terminal leve e que os resultadosNão substituem a auditoria tradicional.
- Análise de inteligência de ameaças: O modelo alcançou uma pontuação de 0,553 na plataforma CyberSecEval4.
- Avaliação de vulnerabilidades BASECVE: Na bateria de testes CVEBench, a solução obteve um escore de 0,314 em cenários desafiantes.
- Investigação de malware: A métrica de análise de software malicioso registrou 0,33 de aproveitamento nas métricas internas de telemetria documentada.
- Resolução de código e scripts: Na plataforma CRSBench, foi registrada uma taxa de 0,651 de sucesso com a configuração de ponto de vista igual a 1200.
- Limitação documentada: O sistema atualNão apresentou capacidade de criar mecanismos de exploração com execução nativa de código em ambientes constrained de exploração avançada.
- Restrição de escopo: O modelo não está disponível como uma interface de programação de aplicações pública, restringindo-se a chamadas locais dentro da plataforma corporativa.
- Contexto ampliado: A análise de relatórios e códigos é otimizada pela ingesta simultânea de dados suportada pela vasta janela de tokens disponível na arquitetura.
Equipes de operações defensive que avaliam a integração de modelos generativos precisam focarNa coleta de métricas que demostram o roteamento eNa precisão da geração de código de validação. O monitoramento da latência e do volume de chamadas escalonadas entre o modelo manejador de volume eNúcleo e o modelo de reserva técnica voorneceNInsdights valiososobre a eficiência do sistema e a natureza dastarefas submetidas,como tambémNa descoberta deNovas falhas
- Monitorar o volume de requisições rejectadas pelo modelo MAI-Cyber-1-Flash e direcionadas ao modelo mais robusto, identificando padrões de complexidade no código-fonte das aplicações analisadas.
- Avaliar a taxa de falso positivos no ciclo de reprodução de vulnerabilidades, já que o modeloNNo está blindado contra falhas de interpretação que gerem colapsos não relacionadosNdNd-NcomNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNd-NdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNd
- Analisar oNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNvNdNdNdNdNdNdNdNdNdNdNdNdNDdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNdNd
- Implementar trilhas de auditoria estritas para as tentativas de geração de códigoNautomatizadoNdeNpNroNvaNdNewNcNonNceNitoN,NgNaranNtiNndoNqNueNnNeNhNuNmaNcNonNfiNgNurNaNçãoN副总经理NdNgnNewNdNcNóNdNigNoN GENERATED SEJA EXECUTADA FORA DE AMBIENTES DE PRODUÇÃO.
- Medir o consumo computacional em unidades de processamento para validar a alegação documentada de redução de cinquenta por cento nos custos operacionais, permitindo o ajuste fino do orçamento de nuvem corporativo.
A adoção de agentes autônomos para identificação de falhas exige um protocolo rigoroso de validação e contenção. Como o sistema pode produzir respostas imprecisas ou códigos incompletos, é mandatório que todas as saídas geradas pela plataforma de inteligência artificial passem por uma revisão técnica humana minuciosa antes de serem implementadas em ambientes de produção ou base de código principal. A documentação técnica alerta especificamente para os riscos inerentes à confiança cega em correções automatizadas.
- Estabelecer ambientes de simulação isolados e sem conexão com a rede externa para a execução de qualquer validação de prova de conceito gerada automaticamente.
- Garantir que o código de remediação sugerido pelo modelo seja auditado por equipes de análise estática e testes de penetração para evitar a introdução de novas vulnerabilidades no sistema.
- Acompanhar o roadmap do Projeto Perception, da Microsoft, que ampliará o uso deste modelo para outras áreas das equipes de segurança a partir de três de agosto, preparando a infraestrutura de resposta a incidentes convencionais acoplados ao sistema.
- Implementar filtros estritos de contenção para evitar que o sistema tente acessar bases de dados sensíveis durante o processo de investigação de falhas de segurança no repositório corporativo interno.
- Atualizar os manuais de operações de_dfir_e_de_appsec_para_incluir_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_/_ o uso de terminais leves dedicados apenasà_exe_cu_ção_de_com_an_dos_de_in_spec_ção_automa_ti.za_da._
0 Comentários