deniz.in

Piyasalar

Hava durumu

Hava durumu yükleniyor

· kaynak dev.to (home feed)

Microsoft, MAI Cyber 2 Flash'ın güvenlik görevlerinde GPT-6 Astra'yı maliyetin yüzde 2'sinin altında yendiğini iddia ediyor

Microsoft, siber güvenliğe odaklı MAI Cyber 2 Flash modelinin CyberGym-E2E benchmark'ında GPT-6 Astra'yı yendiğini, görev başına maliyetin ise yüzde 2'nin altında kaldığını söylüyor; ancak sonuçlar belirli çevrimdışı değerlendirmelerden geliyor.

Microsoft, MAI Cyber 2 Flash'ın güvenlik görevlerinde GPT-6 Astra'yı maliyetin yüzde 2'sinin altında yendiğini iddia ediyor

Microsoft, şirketin CyberGym-E2E benchmark'ında GPT-6 Astra'yı yendiğini ve çevrimdışı değerlendirmelerde görev başına maliyetin yüzde 2'sinin altında kaldığını söylediği, siber güvenliğe odaklı MAI Cyber 2 Flash modelini duyurdu. Duyuruyla ilgili bir dev.to haberine göre doğruluk farkı dar — görev başarısında yüzde 92,3'e karşı yüzde 91,5 — ama ekonomi öyle değil; Microsoft, modelinin rakibinin yarısı kadar bir reasoning bütçesiyle bu sonuca ulaştığını belirtiyor.

Neler ölçüldü

Microsoft, CyberGym-E2E'yi gerçek güvenlik çalışmalarına dayanan, güvenlik açıklarını ortaya çıkarma, düzeltme hazırlama ve tehdit araştırma gibi görevleri kapsayan bir benchmark olarak konumlandırıyor. Karşılaştırması için Microsoft, benchmark'ın orijinal 905 görevinden 92'sini hariç tutarak 813 görevi değerlendirdi; çünkü bunlar eğitim verileriyle paylaşılmış açık kaynak projelerden ve güvenlik açığı raporlarından geliyordu. Bu hariç tutma önemli bir bağlam: puanların modelin eğitim sırasında gördüğü materyali tanıması yansıtma olasılığını düşürüyor, ama aynı zamanda öne çıkan rakamların tam benchmark'ı değil, daraltılmış 813 görevlik seti tanımladığı anlamına geliyor.

Microsoft ayrıca eşdeğer reasoning bütçesiyle GPT-5.6 Cyber karşısında elverişli WebExploitBench sonuçları bildiriyor, ancak dev.to özeti bu karşılaştırma için rakam vermiyor. Şirket, önümüzdeki haftalarda daha fazla karşılaştırmalı sonucun geleceğini söylüyor.

Maliyet iddiası nereden geliyor

Ekonomi, listelenen token fiyatlandırmalarına dayanıyor. Microsoft, MAI Cyber 2 Flash'ı milyon input token başına 0,10 dolar, milyon işlem token'ı başına 0,01 dolar ve milyon output token başına 0,50 dolar olarak listelerken, Azure OpenAI üzerindeki GPT-6 Astra aynı kategorilerde 10, 1 ve 50 dolar olarak listeleniyor — tekdüze 100 katlık bir fark. Yarıya inen reasoning bütçesiyle birleşince bu, Microsoft'un çevrimdışı değerlendirmesindeki görev başına maliyetin yüzde 2'nin altı figürünü veriyor.

dev.to yazısının da uyardığı gibi, daha ucuz bir token oranı daha ucuz bir fatura garanti etmiyor; çünkü gerçek iş yükleri her aşamada tükettikleri token sayısı bakımından değişkenlik gösteriyor. Yüzde 2'nin altındaki rakam, bir fiyatlandırma vaadi değil, değerlendirmeye özgü bir verimlilik bulgusu olarak okunmalı.

Güvenlik çalışması için tasarlanmış bir model

Genel amaçlı bir sistem yerine MAI Cyber 2 Flash, ölçekte güvenlik açıklarını bulmaya, düzeltmeler önermeye ve tehdit soruşturmalarını yürütmeye özel olarak geliştirildi. Bir milyon token'lık context window'u, MAI Cyber 1.1 Flash'ın dört katı; bu da ona daha büyük kod tabanları üzerinde ve çok adımlı soruşturmalarda daha fazla kanıt üzerinden akıl yürütme alanı tanıyor.

Microsoft ayrıca, soruşturma ajanı ve güvenlik algılama yazımı çalışmalarında önde gelen modellere kıyaslanabilir performans gösteren erken Perception değerlendirmelerine atıf yapıyor ve Insight Enterprises'ın bağımsız testlerde MAI Cyber modellerini bazı GPT tabanlı rakiplerden yaklaşık yüzde 20 daha iyi token verimliliğinde ölçtüğünü bildirdiğini söylüyor.

Codename MDASH olarak anılan ürün de dahil Microsoft'un güvenlik ürünlerine dağıtımın Aralık 2026 ortasında başlaması planlanıyor. Kesin kullanılabilirlik, özellik kapsamı ve müşteri erişim ayrıntıları belirtilmedi.

Neden önemli

Sonuç, dar kapsamlı uzman modellerin sınır tanımayan genel amaçlı modelleri ham yetenek yerine değer açısından yenebileceği argümanı için somut bir veri noktası. MAI Cyber 2 Flash, GPT-6 Astra'yı çarpıcı biçimde geçmedi — 0,8 puanlık fark, değerlendirme metodolojisinin önemli olduğu kadar dar bir marj — ama eşdeğer işi maliyetin çok küçük bir bölümüne yapmak, kod incelemelerinde ve soruşturmalarda yapay zeka desteğini istisnai durumlara saklamak yerine rutin olarak çalıştırmanın aritmetiğini değiştiriyor.

Alıcılar için yararlı metrik, token başına fiyat değil, insanın inceleyebileceği tamamlanmış görev başına maliyet oluyor. Bu çerçeve, değerlendirmeyi bir kuruluşun kendi koduna, güvenlik verilerine ve inceleme standartlarına doğru itiyor; çünkü tek bir satıcının çevrimdışı benchmark'ı — kontaminasyon endişeleriyle görevlerin yaklaşık onda biri çıkarılmış haliyle — otomatik olarak her ortama aktarılmayacak.

Bir de dağıtım boyutu var. Ekiplerin zaten kullandığı güvenlik ürünlerine gömülü bir uzman model, bulguları bir model ile üçleme ve müdahalenin gerçekleştiği araçlar arasında taşıma sürtünmesini ortadan kaldırıyor. Aralık'taki dağıtım bunu gerçekleştirirse, entegrasyon benchmark puanı kadar önemli olabilir.

  • #microsoft
  • #cybersecurity
  • #artificial-intelligence
  • #llm
  • #benchmarks

İlgili yazılar