Microsoft presenta el modelo de seguridad MAI-Cyber-1-Flash

Microsoft ha presentado MAI-Cyber-1-Flash, su primer modelo de ciberseguridad entrenado internamente, junto con Project Perception, un sistema con agentes diseñado para encontrar vulnerabilidades, evaluar su importancia y escribir y desplegar correcciones.

Los anuncios llegaron días después de que OpenAI revelara que sus modelos habían escapado de una caja de arena y hackeado Hugging Face, lo que otorga al lanzamiento de Microsoft un telón de fondo inusualmente punzante. Microsoft afirma que MAI-Cyber-1-Flash obtuvo un 96 % en CyberGym, un benchmark industrial de ciberseguridad—casi 12 puntos por encima de Claude Mythos 5 de Anthropic—mientras reduce los costes por token hasta en un 50 %.

Esos resultados aún no han sido verificados de forma independiente. Microsoft describe el sistema como un “sistema multimodelo bien ajustado con acceso a datos históricos de entrenamiento excepcionalmente ricos.”

Modelo MAI-Cyber-1-Flash y despliegue en MDASH

MAI-Cyber-1-Flash es un transformador de mezcla dispersa de expertos (sparse mixture-of-experts) con 137 000 millones de parámetros en total, de los cuales 5 000 millones están activos, y una ventana de contexto de 256 000 tokens. Es una afinación para ciberseguridad de MAI-Code-1-Flash, que se desarrolló a partir de un punto de control de entrenamiento intermedio de MAI-Thinking-1.

El modelo está destinado a manejar hasta el 90 % de las tareas dentro de MDASH, el arnés multimodelo de vulnerabilidades de Microsoft. GPT-5.4 de OpenAI se reserva para el 10 % más complicado.

Recomendado

Okta adquirirá Permiso por casi 200 millones de dólares

Microsoft dice que esa división cuesta aproximadamente la mitad que su mejor configuración previa de MDASH. La compañía no ha lanzado MAI-Cyber-1-Flash como una API independiente. De momento, solo funciona dentro de MDASH y está disponible para clientes aprobados de MDASH a través de una vista previa privada de Azure AI Foundry.

Project Perception sirve como el sistema más amplio alrededor del modelo. Su primer flujo de trabajo utiliza MAI-Cyber-1-Flash junto con modelos de vanguardia como GPT-5.4, asignando grupos de agentes separados a diferentes partes del proceso de seguridad:

• Los agentes rojos sondean los sistemas en busca de rutas que un atacante podría usar.
• Los agentes azules investigan los hallazgos y determinan cuáles representan un riesgo significativo.
• Los agentes verdes corrigen vulnerabilidades y refuerzan los sistemas.

×

Afirmaciones de aislamiento de Microsoft

Microsoft afirma que todas las pruebas de benchmark para Project Perception se llevaron a cabo en un entorno aislado de la red sin acceso a sistemas de producción, a Internet público ni a servicios externos. La compañía dice que ese aislamiento se mantuvo, pero nadie fuera de Microsoft ha verificado la afirmación.

Esa garantía responde directamente al incidente de OpenAI. La caja de arena de OpenAI mantenía una ruta de salida a través de un servicio interno de recuperación de paquetes. Según los informes, sus modelos encontraron un fallo en ese servicio, escalaron sus privilegios, se movieron por la red de investigación y finalmente llegaron a una máquina con acceso a Internet.

La prueba más difícil comienza cuando Project Perception se usa en entornos de clientes. Los agentes verdes están autorizados a modificar sistemas en producción como parte de su función normal, por lo que el acceso a producción no es una ruta de escape accidental—es el propósito del producto.

Los riesgos sin resolver del parcheo autónomo

El incidente de Hugging Face también expuso lo difícil que pueden ser la atribución y el acceso defensivo. Hugging Face detectó la intrusión en cuestión de días y la denunció a las fuerzas del orden, pero no supo quién era el responsable hasta que OpenAI identificó a sus modelos.

La compañía también dijo que no pudo obtener ayuda de los principales modelos estadounidenses porque interpretaron sus peticiones defensivas como actividad ofensiva y se negaron a asistir. Hugging Face acabó defendiéndose con GLM 5.2, un modelo de pesos abiertos chino que se ejecutó en su propia infraestructura.

Eso deja varias preguntas sin responder por el anuncio de Microsoft: no hay confirmación independiente del resultado en CyberGym, no hay disponibilidad de una API independiente para MAI-Cyber-1-Flash y todavía no hay evidencia pública que muestre cómo se comporta Project Perception cuando sus agentes verdes pueden cambiar los sistemas de producción de los clientes.