Microsoft ใส่ MAI-Cyber-1-Flash เข้า MDASH — โมเดลความปลอดภัยเฉพาะทางที่รับงาน 90% แล้วโยนอีก 10% ที่ยากสุดให้โมเดลใหญ่

วันที่ 27 กรกฎาคม Microsoft AI เปิดตัว MAI-Cyber-1-Flash โมเดลเฉพาะทางด้านความปลอดภัยที่ถูกฝังเข้าไปใน MDASH — ระบบ multi-agent สำหรับหาช่องโหว่ที่เราเคยเขียนถึงตอนที่มันหาช่องโหว่ระดับ RCE ใน Windows ได้ 16 รายการ (โพสต์เดิม 14 พ.ค.)

จุดขายที่ Microsoft ชูคือประโยคเดียว: “world-class performance at 50% of the cost of leading models” — และวิธีที่ได้มาน่าสนใจกว่าตัวเลข

ตัวเลขที่ประกาศ

บนเบนช์มาร์ก CyberGym ซึ่งวัดความสามารถในการหาช่องโหว่:

• MAI-Cyber-1-Flash เดี่ยว ๆ: 95.95%
• ระบบ MDASH รวม: 96% — Microsoft ระบุว่าสูงกว่า Mythos 12 จุด
• เหนือกว่า Mythos, Gemini และ GPT บน CyberGym ตามการวัดของบริษัท

ตัวโมเดลถูกอธิบายว่าเป็นโมเดล compact ที่ “code-heavy” สืบสายมาจาก MAI-Thinking-1 ส่วนขนาดพารามิเตอร์ที่แน่นอน บริษัทไม่ได้เปิดเผย และประกาศนี้ก็ ไม่ได้ระบุว่าเป็น open weights — ต่างจากโมเดลด้านความปลอดภัยแบบเปิดอย่าง Antares ของ Cisco ที่ปล่อยน้ำหนักออกมาเมื่อวานภายใต้ Apache-2.0

การเข้าถึงเน้นไปที่การใช้งานระดับองค์กรผ่าน MDASH พร้อมการควบคุมแบบ enterprise — Role-Based Controls, tenant isolation และ encryption — ไม่ใช่การเปิดให้นักพัฒนาทั่วไปเรียกใช้โดยตรง

สถาปัตยกรรม 90/10 คือประเด็นจริง

ส่วนที่นักพัฒนาควรเก็บไปใช้ ไม่ใช่คะแนนเบนช์มาร์ก แต่คือรูปแบบการแบ่งงาน ที่ Microsoft ออกแบบไว้: ให้ MAI-Cyber-1-Flash ซึ่งเล็กและถูก รับงานความปลอดภัยราว 90% เอง แล้ว โยนงาน 10% ที่ยากที่สุดต่อให้โมเดลที่แพงกว่าอย่าง GPT-5.4

นี่คือเหตุผลที่ต้นทุนลงมาครึ่งหนึ่งโดยคะแนนรวมไม่ตก — และเป็นแพตเทิร์นเดียวกับที่เราเห็นซ้ำ ๆ ตลอดเดือนนี้ ตั้งแต่ Cursor Router ที่เลือกโมเดลอัตโนมัติตามความยากของงาน ไปจนถึงโมเดลเปิดขนาดเล็กที่ทำงานเฉพาะทางได้ดีกว่าโมเดลยักษ์ทั่วไป ความคิดตั้งต้นว่า “ใช้โมเดลที่เก่งที่สุดกับทุกงาน” กำลังถูกแทนที่ด้วย “ใช้โมเดลที่เล็กที่สุดที่ยังทำงานนั้นได้ แล้วมีทางหนีขึ้นไปหาโมเดลใหญ่”

มุมมอง AI Curator

ตัวเลข 95.95% บน CyberGym ควรอ่านด้วยความระมัดระวังตามปกติ — เป็นตัวเลขที่บริษัทวัดเอง บนเบนช์มาร์กที่ยังไม่มีการยืนยันอิสระในวงกว้าง และเทียบกับคู่แข่งที่บริษัทเลือกเอง แต่สิ่งที่ตรวจสอบได้และมีค่ากว่าคือการออกแบบ ซึ่งไม่ต้องเชื่อใครก็เอาไปใช้ได้

สำหรับทีมไทย ผมมองว่าบทเรียนที่ถ่ายโอนได้ตรงที่สุดคือเรื่องต้นทุน สมมติฐานที่ทีมส่วนใหญ่ตั้งไว้ตอนวางระบบ AI คือ “เรียกโมเดลที่ดีที่สุดไปเลย เดี๋ยวค่อยคิดเรื่องเงิน” ซึ่งพอปริมาณโตขึ้นก็กลายเป็นบิลที่อธิบายให้ฝ่ายการเงินฟังไม่ได้ การแยกงานเป็นสองชั้นตั้งแต่ต้น — ชั้นถูกที่รับปริมาณ กับชั้นแพงที่รับความยาก — เป็นการตัดสินใจทางสถาปัตยกรรมที่ต้องทำตอนออกแบบ ไม่ใช่ตอนบิลมา เพราะการยัดกลไก routing เข้าระบบที่เขียนไว้แล้วนั้นแพงกว่าการวางไว้แต่แรกมาก

อีกมุมที่ควรพูดตรง ๆ: การที่ Microsoft ไม่บอกขนาดโมเดลและไม่ปล่อยน้ำหนัก ทำให้ MAI-Cyber-1-Flash เป็น “ผลิตภัณฑ์” มากกว่า “ความก้าวหน้าที่ชุมชนต่อยอดได้” น่าสังเกตว่าในสัปดาห์เดียวกัน Cisco เลือกทางตรงข้าม — ปล่อยโมเดลหาช่องโหว่ขนาด 350M/1B ออกมาแบบ Apache-2.0 ให้ใครก็รันได้ สำหรับองค์กรไทยที่มีข้อจำกัดว่าโค้ดห้ามออกนอกประเทศ ทางเลือกแบบหลังนั้นใช้งานได้จริงกว่ามาก ไม่ว่าคะแนนเบนช์มาร์กจะห่างกันแค่ไหน

แหล่งข่าว

• Introducing MAI-Cyber-1-Flash inside MDASH — Microsoft AI
• MDASH หาช่องโหว่ RCE ใน Windows 16 รายการ — โพสต์เดิมของเรา
• Cisco Antares โมเดลหาช่องโหว่แบบเปิด — โพสต์เดิมของเรา