Microsofts neues Sicherheitsmodell ist absichtlich klein – genau das macht es interessant
MAI-Cyber-1-Flash übernimmt rund 90 Prozent der Aufgaben bei der Schwachstellensuche und gibt den Rest an GPT-5.4 weiter. Laut Microsoft erreicht die Kombination 96 Prozent bei CyberGym und kostet nur halb so viel wie das vorherige Setup.
Microsoft hat am Montag sein erstes selbst entwickeltes Modell für Cybersicherheit vorgestellt. MAI-Cyber-1-Flash ist ein kompaktes Modell, das Sicherheitslücken in großen Codebasen finden soll. Es arbeitet nicht allein, sondern innerhalb von MDASH, einem Multi-Agenten-System: Mehrere KI-Agenten teilen die Prüfung des Codes, die Suche nach möglichen Fehlern und das Erarbeiten einer Lösung untereinander auf. Außerdem kündigte das Unternehmen Project Perception an, ein agentenbasiertes System zur Echtzeitüberwachung von Bedrohungen.
Microsofts Zahlen beziehen sich auf die Kombination, nicht auf das kleine Modell allein. Zusammen mit GPT-5.4 erreicht MAI-Cyber-1-Flash rund 96 Prozent bei CyberGym. Dieser Benchmark prüft, wie gut ein KI-System in einer großen Codebasis tatsächlich vorhandene Sicherheitslücken findet. Das sind zwölf Punkte mehr als Mythos, das führende Modell von Anthropic, und auch mehr als die getesteten Gemini- und GPT-Konfigurationen. Besonders interessant ist die Kostenangabe: Laut Microsoft arbeitet das neue System rund 50 Prozent günstiger als die bisher beste Lösung, in der GPT-5.4, GPT-5.4 mini und ein Codex-Modell hintereinander eingesetzt wurden. Die Ersparnis entsteht durch die Aufteilung. Der kleine Spezialist bewältigt etwa 90 Prozent der Aufgaben selbst; nur das schwierigste Zehntel geht an das teure Allzweckmodell.
Dieses Routing-Muster entwickelt sich 2026 still und leise zur vorherrschenden Architektur. Es lohnt sich, das Prinzip zu verstehen, auch wenn du nie ein Sicherheitswerkzeug nutzt. Früher wählte man das klügste bezahlbare Modell und schickte jede Aufgabe dorthin. Heute lautet die Annahme: Der größte Teil einer echten Arbeitslast ist Routine. Ein kleines, gezielt dafür trainiertes Modell erledigt diese Arbeit zu einem Bruchteil des Preises ebenso gut, und teure Intelligenz wird nur in den schwierigen Fällen eingekauft. Für Microsoft passt das besonders gut. Der Konzern positioniert sich zunehmend als Orchestrator verschiedener Modelle statt als Besitzer des besten Modells – und verringert damit zugleich seine Abhängigkeit von OpenAI. Verschwunden ist sie nicht: Die schwierigsten zehn Prozent gehen weiterhin an GPT-5.4. Microsoft weist selbst darauf hin.
Vor aller Begeisterung gehört eine Einschränkung dazu: CyberGym ist ein Benchmark. Ergebnisse bei der automatischen Schwachstellensuche sehen in Tests oft besser aus als im Einsatz, weil reale Codebasen unordentlicher sind. Eine Fehlalarmquote, die bei 100 Dateien akzeptabel wirkt, wird bei 100.000 unerträglich. Microsoft verweist außerdem auf seinen Größenvorteil mit mehr als 100 Billionen täglichen Sicherheitssignalen von 1,6 Millionen Kunden. Das ist ein starkes Gut, aber von außen nicht überprüfbar.
Was das für dich bedeutet: Für die meisten Menschen ändert sich heute nichts, und das ist in Ordnung. Es handelt sich um Unternehmensinfrastruktur, nicht um ein Programm zum Installieren. Mitnehmen solltest du das Muster, denn es wird bald überall auftauchen: ein günstiges kleines Modell für die Masse, ein teures großes für die Ausnahmen. Wenn du KI in nennenswertem Umfang einsetzt, ist dies derzeit der wirksamste Hebel für geringere Kosten, ohne dass du selbst etwas trainieren musst. Betreibst du professionell Software, steckt das praktischere Signal in der Schwachstellensuche: Sie wird günstig genug, um ständig zu laufen statt einmal pro Quartal – auf beiden Seiten des Zauns.
Quellen
Quellen: https://microsoft.ai/news/introducing-mai-cyber-1-flash-inside-mdash/
Ollama macht Macs still und leise besser für offene KI-Modelle
Version 0.32.4 bringt Laguna-Unterstützung für Apple-GPUs über MLX, eine intelligentere gemischte Quantisierung für Mixture-of-Experts-Modelle und eine Korrektur für die Qwen3-MoE-Dekodierung. Unspektakuläre Verbesserungen, die darüber entscheiden, ob lokale KI wirklich nutzbar ist.
