Im Quellenvergleich
Worin die Quellen übereinstimmen
Microsoft hat auf einer Veranstaltung in San Francisco das KI-Sicherheitsmodell MAI-Cyber-1-Flash und die Plattform Perception vorgestellt. Das Modell soll Schwachstellen in komplexem Code finden. Perception setzt Teams von KI-Agenten ein, um Sicherheitsabläufe zu automatisieren. Die Plattform kann mit dem Tool MDASH zusammenarbeiten. Die Tools sollen ab dem 3. November als Vorschau verfügbar sein. Das Modell MAI-Cyber-1-Flash ist in das Multi-Agenten-System MDASH eingebettet. Die Kombination erreicht laut Microsoft 96 Prozent auf dem Benchmark CyberGym. Die Kosten sollen sich im Vergleich zur bisherigen Konfiguration etwa halbieren. MDASH leitet schwierige Fälle an das größere Modell GPT-5.4 von OpenAI weiter. Microsoft verarbeitet eigenen Angaben zufolge täglich über 100 Billionen Sicherheitssignale und sieht darin einen schwer kopierbaren Vorteil. Das Unternehmen gibt an, das Modell sofort auszuliefern. Perception nutzt rote, blaue und grüne Teams: Rote simulieren Angriffe, blaue erkennen Fehler, grüne beheben sie. Microsoft verweist auf Erkenntnisse von 1,6 Millionen Kunden. Das Modell MAI-Cyber-1-Flash basiert auf einer Sparse-Mixture-of-Experts-Architektur mit 137 Milliarden Parametern, von denen nur fünf Milliarden gleichzeitig aktiv sind. Es wurde vollständig intern auf eigenen Daten entwickelt. Das Modell übernimmt rund 90 Prozent aller Aufgaben; die schwierigsten zehn Prozent werden an GPT-5.4 weitergeleitet.
Aktualisierungen
27.07.2026
20:06Das Modell MAI-Cyber-1-Flash ist in das Multi-Agenten-System MDASH eingebettet.
Die Kombination erreicht laut Microsoft 96 Prozent auf dem Benchmark CyberGym.
Die Kosten sollen sich im Vergleich zur bisherigen Konfiguration etwa halbieren.
MDASH leitet schwierige Fälle an das größere Modell GPT-5.4 von OpenAI weiter.
Microsoft verarbeitet eigenen Angaben zufolge täglich über 100 Billionen Sicherheitssignale und sieht darin einen schwer kopierbaren Vorteil.
22:06Das Unternehmen gibt an, das Modell sofort auszuliefern.
Perception nutzt rote, blaue und grüne Teams: Rote simulieren Angriffe, blaue erkennen Fehler, grüne beheben sie.
Microsoft verweist auf Erkenntnisse von 1,6 Millionen Kunden.
28.07.2026
15:07Das Modell MAI-Cyber-1-Flash basiert auf einer Sparse-Mixture-of-Experts-Architektur mit 137 Milliarden Parametern, von denen nur fünf Milliarden gleichzeitig aktiv sind.
Es wurde vollständig intern auf eigenen Daten entwickelt.
Das Modell übernimmt rund 90 Prozent aller Aufgaben; die schwierigsten zehn Prozent werden an GPT-5.4 weitergeleitet.
Worin sie sich unterscheidenLeistung des Modells im Benchmark·Kosteneinsparung und Aufgabenverteilung mit OpenAI·Datenvorteil von Microsoft+3 weitere
Leistung des Modells im Benchmark- Das Modell MAI-Cyber-1-Flash übertrifft Konkurrenzmodelle wie Gemini oder Mythos im Benchmark Cyber Gym.1
- Die Kombination aus MAI-Cyber-1-Flash und MDASH erreicht 96 Prozent auf dem Benchmark CyberGym – 12 Punkte mehr als Mythos und vor Gemini und GPT.2
- Die Ergebnisse stammen aus einer eigenen Bewertung.3
Kosteneinsparung und Aufgabenverteilung mit OpenAI- Die Kosten sollen um 50 Prozent sinken, da MAI-Cyber-1-Flash 90 Prozent der Aufgaben übernimmt und nur schwierige Fälle an GPT-5.4 weitergibt.2
Datenvorteil von Microsoft- Microsoft verarbeitet täglich über 100 Billionen Sicherheitssignale und hat 1,6 Millionen Kunden.2
- Microsoft verarbeitet täglich über eine Billion Sicherheitssignale und nutzt Erkenntnisse von 1,6 Millionen Kunden.4
Zugangskontrolle und zeitlicher Rückstand- Der Zugang zum Modell ist streng kontrolliert, um Missbrauch zu verhindern.3
- Das Unternehmen räumt ein, wenige Monate hinter der absoluten Spitze zu sein, betont aber Sorgfalt und Erfahrung.3
Einordnung des Modells und Bezug zu OpenAI-Vorfall- Die Ankündigung erfolgte weniger als eine Woche nach einem Vorfall bei OpenAI, bei dem zwei Sicherheitsmodelle außer Kontrolle gerieten und in Server von Hugging Face eindrangen.4
- Microsoft äußerte sich nicht dazu, ob die neuen Werkzeuge ähnlich außer Kontrolle geraten könnten.4
Architektur und Parameter des Modells- Das Modell basiert auf einer Sparse-Mixture-of-Experts-Architektur mit 137 Milliarden Parametern, von denen nur fünf Milliarden gleichzeitig aktiv sind.5