Microsoft 첫 보안 모델로 비용 절반, 어려운 10%는 여전히 GPT-5.4

AI 요약

• 무슨 일: Microsoft가 7월 27일 첫 사이버보안 전용 모델 MAI-Cyber-1-Flash와, 이 모델을 굴리는 다중 에이전트 하네스 MDASH를 공개했습니다.
  • 사내 MAI-Thinking-1 계열에서 파생한 소형 코드·보안 모델입니다. 가중치는 공개하지 않습니다.
• 비용 구조: 작고 싼 MAI-Cyber-1-Flash가 작업의 최대 90%를 처리하고, 남은 10%만 GPT-5.4로 넘깁니다. 직전 구성 대비 비용 50% 절감이라는 계산입니다.
• 성적: CyberGym 성공률 95.95%. 2위권인 GPT-5.5 Cyber(85.6%), Mythos 5(83.8%), Gemini 3.5 Flash Cyber(83.2%)와 10점 이상 벌어졌습니다.
• 제품: 레드·블루·그린 에이전트를 묶은 Project Perception이 8월 3일 공개 프리뷰에 들어갑니다.
• 주의점: 벤치마크는 전부 Microsoft 자체 측정이고 독립 검증이 없습니다. 평가 설정도 공개되지 않았습니다.

Microsoft가 7월 27일 자체 사이버보안 모델 MAI-Cyber-1-Flash를 공개했습니다. 큰 코드베이스에서 취약점을 찾아내는 일만 하도록 만든 소형 모델입니다. 사내 추론 모델 MAI-Thinking-1 계열에서 갈라져 나왔고, Microsoft가 보안 용도로 따로 만든 첫 모델입니다.

발표에서 눈에 띄는 부분은 모델 자체보다 이 모델을 어디에 끼워 넣었는지입니다. Microsoft는 취약점 탐지와 수정을 담당하는 다중 에이전트 하네스 MDASH 안에서 MAI-Cyber-1-Flash를 OpenAI의 GPT-5.4와 함께 돌립니다. 성능이 올라간 대신 값은 절반으로 내려갔다는 것이 이 조합의 판매 논리입니다.

90%와 10%로 쪼갠 청구서

비용이 절반으로 떨어진 이유는 모델을 더 크게 만들어서가 아닙니다. 일을 나눴기 때문입니다.

MDASH는 들어온 작업을 난이도로 갈라 보냅니다. 작고 싼 MAI-Cyber-1-Flash가 전체의 최대 90%를 처리하고, 소형 모델이 감당하지 못하는 나머지 10%만 GPT-5.4로 넘어갑니다. 직전 MDASH 구성은 GPT-5.4와 GPT-5.4 mini, GPT-5.3 codex 세 모델을 섞어 썼는데, 그 구성 대비 비용이 50% 낮아졌다는 것이 Microsoft의 계산입니다.

이 구조에서 읽어야 할 것은 Microsoft가 OpenAI에서 벗어났는지 여부가 아닙니다. 가장 어려운 10%는 여전히 GPT-5.4가 맡습니다. Microsoft가 줄인 것은 의존 자체가 아니라 호출량입니다. 사내 모델은 프런티어 모델을 대체하는 자리가 아니라, 프런티어 모델을 부르기 전에 걸러 내는 자리에 놓였습니다.

에이전트 하네스를 직접 운영해 본 팀에게는 익숙한 계산입니다. 토큰 단가가 아니라 어떤 요청을 어느 모델로 보내느냐가 월 청구서를 결정합니다. Microsoft가 이번에 공개한 것은 그 라우팅 규칙을 제품 안에 굳혀 놓고 숫자까지 붙인 사례입니다.

MDASH 자체는 에이전트 100개 이상이 여러 모델을 섞어 쓰는 구조입니다. 기업 도입을 염두에 둔 통제 장치도 함께 붙었습니다.

• 역할 기반 접근 제어와 테넌트 격리
• 암호화와 감사 로그
• 인터넷이 차단된 샌드박스에서만 코드 실행

CyberGym 95.95%에 붙는 조건

성능 근거로 제시된 것은 CyberGym 한 종목입니다. UC Berkeley가 2025년 6월 공개한 벤치마크로, OSS-Fuzz가 실제로 찾아낸 취약점 1,507개와 오픈소스 프로젝트 188개로 구성됩니다. 과제는 단순합니다. 패치 이전 코드베이스와 취약점 설명만 주고, 그 취약점을 실제로 터뜨리는 PoC를 만들어 내라는 것입니다.

Microsoft가 공개한 차트의 수치는 이렇습니다.

Microsoft AI CEO Mustafa Suleyman은 이 조합이 "CyberGym에서 Gemini, GPT-5.5 Cyber, GPT-5.6 Sol, Mythos 5를 모두 앞선다"고 말했습니다. 그리고 "이걸 곧바로 프로덕션에 넣는다"고 덧붙였습니다.

다만 이 숫자는 전부 벤더 자체 측정입니다. 독립 검증이 없고, 평가 설정도 공개되지 않았습니다. The Register는 같은 날 기사에서 비교 근거가 Microsoft 내부 측정뿐이라는 점을 문제 삼았습니다. CyberGym은 에이전트에게 주는 정보량에 따라 난이도 단계가 갈리는 벤치마크이고, 2025년 6월 원 논문 시점의 최고 성공률은 11.9%였습니다. 1년 만에 95.95%가 나왔다면 모델이 좋아진 몫과 평가 조건이 달라진 몫을 나눠 봐야 하는데, 지금 공개된 자료로는 그 구분이 불가능합니다.

비교 대상 선정도 짚어 둘 만합니다. Microsoft는 자사 조합만 하네스를 붙여 비교했습니다. 표에서 MDASH 항목만 다중 에이전트 구성이고, 나머지는 모델 또는 단일 제품입니다. 하네스만 바꿔 ARC-AGI-3 점수가 99%까지 올라간 사례에서 확인했듯, 하네스 유무는 같은 모델의 점수를 크게 흔듭니다.

레드·블루·그린으로 나눈 에이전트 제품

Microsoft는 같은 날 이 기술을 담은 제품 Project Perception도 발표했습니다. 보안 업무를 세 종류 에이전트로 나눠 자동화하는 시스템입니다.

Perception 리드 엔지니어 Dave Weston은 여러 전문 인력이 몇 시간씩 매달리던 수작업이 몇 분으로 줄어든다고 설명했습니다. 공개 프리뷰는 8월 3일입니다. Microsoft Security 총괄 부사장 Hayete Gallot은 공식 블로그에서 "가끔 스캔하고 나중에 패치하는 옛 보안 모델은 이제 쓸모가 없다"고 적었습니다.

제품과 함께 연구 조직 Microsoft Security FORGE Labs, 그리고 대학 연구실 18곳에 용도 제한 없는 연구비를 배분하는 External Red Team Alliance(EXTRA)도 공개됐습니다.

가중치를 잠근 대가

발표 직후 Hacker News 스레드(193점, 댓글 102개)에서 가장 많이 나온 반응은 성능 논쟁이 아니라 접근성 불만이었습니다.

오픈 가중치는 안 되나요? 아니면 Cisco의 Antares 모델 쪽이 더 흥미롭습니다.

MAI-Cyber-1-Flash는 가중치를 공개하지 않고, Project Perception도 기업 프리뷰로 시작합니다. 미국 기업들이 보안 모델을 특정 고객용으로 잠가 둔다는 지적이 여러 댓글에서 반복됐습니다. 비교 대상으로 지목된 Cisco Antares는 Apache 2.0 오픈 가중치로 풀린 1B 취약점 위치 탐지 모델입니다.

두 접근은 같은 문제를 다르게 풉니다. Cisco는 작은 모델을 아예 공개해 각자 파이프라인에 붙이게 했고, Microsoft는 모델을 잠근 채 하네스와 라우팅까지 묶어 완제품으로 팝니다. 자체 보안 파이프라인을 굴리는 팀이라면 전자를 쓸 수 있고, 도구 체인을 통째로 위임하려는 조직이라면 후자를 삽니다.

AI 팀이 이번 발표에서 실제로 가져갈 만한 것은 라우팅 수치 하나입니다. 90 대 10이라는 배분과 50%라는 비용 절감폭은, 전용 소형 모델을 1차 필터로 세우는 구성이 실제 제품에서 어느 정도 효과를 내는지 보여 주는 공개된 기준점입니다. 다만 그 수치도 Microsoft가 자기 워크로드에서 잰 값이라는 조건이 붙습니다.