一句话:AI 开始从「写代码」转向「审代码」了,而且这活儿的单价,被微软打到脚踝。11 月 17 日微软 Ignite 大会发布安全模型 MAI Cyber 2 Flash,同一天 OpenAI 官宣 GPT-6 Cyber 在真实世界里挖到洞——两条路线,同一天开打。


一句话:AI 开始干「审代码」的活
先看大势:这两个新闻放一起,AI 的能力版图,明显从「帮你写代码」挪到了「帮你查代码」。写代码是生成,查代码是找茬,后者的容错率低得多——漏掉一个漏洞,代价可能是整个系统失守。
什么是漏洞?说白了,就是程序里的安全缺陷,黑客能顺着它摸进系统。过去这活儿靠安全工程师人肉排查,慢、贵、还容易漏。现在两家巨头押同一个判断:AI 干这个,比人快,也比人便宜。
所谓 CyberGym-E2E、WebExploitBench 这类名字,都是「AI 能不能像安全工程师一样发现漏洞」的考试卷。名字唬人,本质就是模拟真实攻防的考场,考从读代码到写报告的全流程——「E2E」就是「端到端」的意思,一步不落。

微软的打法:便宜地发现问题
微软这次的关键词是「性价比」。划重点:据微软官方博客,MAI Cyber 2 Flash 在 CyberGym-E2E 上拿到 92.3% 的任务成功率,对比 GPT-6 Astra 的 91.5%。差 0.8 个百分点,基本算打平。
真正的重头戏在成本:按微软的说法,每任务成本不足 GPT-6 Astra 的 2%。不是八折,不是五折,是 2%。价格表摆开更直观:MAI 输入每百万 token 0.10 美元、输出 0.50,GPT-6 Astra 在 Azure OpenAI Global 上是 10 和 50(缓存价 0.01 对 1)。
token 就是 AI 计费的基本单位,粗略理解成「字数」就行。同样读一卷代码,MAI 收一毛,GPT-6 Astra 收十块(输入侧),输出侧五毛对五十。推理预算还只用一半——省到这份上,已经不是省,是价格战。

较真环节:92.3% 和 91.5% 差多少
数字漂亮,先别急着鼓掌。据 decrypt.co 报道,微软把 CyberGym-E2E 总共 905 个任务里、与自家训练数据重叠的 92 个剔除,剩下 813 个,所有模型都在这个子集上重新评测。
这个动作有两说。往好里讲:考卷答案早被自己看过,再考自己没意义,剔除是诚实,免得分数注水。往坏里讲:基准是别人定的规矩,你按自家口味重划考试范围,那还算同一个考试吗?读者自行判断。
同样的口径下,据 TestingCatalog,同推理预算时 MAI Cyber 2 Flash 在 WebExploitBench 上 40.4%,GPT-5.6 Cyber 38.4%。分差 2 个百分点,比上一个基准明显,但性质一样:都是模拟考场里的分数。

OpenAI 的打法:去真实世界挖洞
微软在秀考场得分,OpenAI 在秀真实战果。据 Greg Brockman 11 月 17 日在 X 上的说法,GPT-6 Cyber 在 Java 中发现一个重大安全漏洞,属于「Patch the Planet」计划的一部分——字面意思:给地球打补丁。纽约时报也报道了这件事。
两条路线差在哪儿?微软证明「便宜」,OpenAI 证明「能打」。真实漏洞能上新闻,基准分数只能上宣传页。论传播力,这一局 OpenAI 赢;论可复制性,微软的性价比策略更容易铺开。
但战报归战报:这个洞具体多严重、影响哪些项目,公开信息还不多。一家厂商说自己挖到了洞,就像球员说自己进了球——得等裁判记录确认,先记在账上。

便宜到什么程度,普通公司才用得起
「便宜」对谁有意义?对中小企业。过去请安全团队做大规模漏洞排查,按天按人头计费,小公司基本请不起;现在同样的活按 token 算,开销只有别人的 2%。AI 挖洞是少数「省下的钱能算得清」的场景——这不是省 20%,是省 98%。
百万 token 的上下文窗口也得提一句:上下文越长,模型越能通读整个项目再找茬,不用一段段喂。微软还宣布,12 月中旬起,企业安全产品 Codename MDASH 里的 MAI-profile 模型自动换成它——不是 PPT 型号,是马上上岗的。

但这里有个前提
例行较真,收尾抬个杠:基准分高、单价便宜,都不等于 AI 能独当一面。CyberGym 是模拟环境,模拟满分,真实世界可能打对折,微软自己也没承诺这分数能平移。
噪音问题更要命。Mustafa Suleyman 在 X 上回顾:早期 MAI Cyber 模型扫了 6 个广泛使用的开源项目,研究员先把每份报告核查过,维护者最终收到 99 份经过核查的私密报告。为什么要多一道工序?因为 AI 生成的漏洞报告,已经多到快把开源维护者淹没了。
说白了,AI 挖洞挖得快,挖得对不对是另一回事。真报告里掺着假报警,维护者照样得一份份看。工具越强,核查越重要。安全这行,兜底的还是人——但前提是,人还信得过这份清单。