AI大模型在安全领域的落地，终于迎来一个标志性时刻。微软的安全团队刚刚丢出一枚重磅炸弹：一个名为 MDASH 的多模型智能体扫描框架正式亮相。用一句话概括它的特点——**不是靠单个大模型单打独斗，而是让上百个AI智能体协同作业**，这种架构设计思路在业内相当罕见。
从技术细节来看，MDASH 没有像传统方案那样押注单一巨无霸模型，微软安全团队反其道而行之，整合了超过100个独立的AI智能体。每个智能体各司其职：有的负责拆解代码逻辑，有的专注漏洞特征匹配，还有的专门对扫描结果做交叉验证。这样一来，核心推理任务可以由最强模型扛起，而面对海量代码的快速扫描，则换上轻量级模型提升吞吐量。这种“轻重搭配”的架构，理论上能兼顾扫描深度与效率。
实际表现如何？在 CyberGym 这个公开基准测试中，MDASH 成功挖出了16个此前未被发现的漏洞，其中包含4个高危远程代码执行漏洞。更惊人的是，在面向21个刻意植入漏洞的私有测试里，它实现了100%的识别率，并且全程零误报。为了评估它“回头看”的能力，团队还拿历史漏洞做了复现测试：clfs.sys 五年间的漏洞复现率达到96%，而 tcpip.sys 更是达到100%。这些数据放在行业里看，确实处于第一梯队。
客观来说，这种多智能体协作模式并非没有代价。上百个智能体之间的调度、通信与冲突处理，本身就是一个复杂的系统工程问题。微软敢于将其推向内部工程团队和少数预览客户，说明至少在实验室环境下，这套框架已经跑通了稳定性与准度之间的平衡点。不过，当代码库规模从百万行级跃升至数十亿行级时，MDASH 的调度延迟和资源消耗是否还能保持平衡，仍需更长时间的实际部署来验证。
从行业视角看，MDASH 的出现也折射出一个趋势：单纯比拼大模型参数量的时代正在过去，工程化的多实体协作架构开始成为新的竞争焦点。GPT-5.5 和 Anthropic Mythos 这类单体模型在通用对话场景下表现惊艳，但在安全这种需要专精与分工明确的领域，MDASH 的架构思路显然更具针对性。
值得注意的是，微软安全团队透露，MDASH 目前已经投入到自家产品的安全加固工作中——比如 Windows 和 Azure 的代码审计环节，而服务器拥堵甚至崩溃的风险，正是靠这类工具提前拦截在发布之前。此外，微软也向部分企业提供了内部预览测试资格，这显然是想在正式商用前收集更多真实场景的反馈。
或许有人会问：这么强的框架，会不会让安全研究员失业？目前来看，MDASH 更多是扮演“效率倍增器”的角色——它能在数小时内完成人类团队数周的粗筛工作，但最终漏洞的利用逻辑挖掘和修复方案设计，仍然需要专业安全人员的介入。在AI与人类协作的棋局中，MDASH 更像是那个不知疲倦的棋盘扫描仪，而落子决策权仍在人手中。
总结几个核心看点：
🔍 MDASH 是微软最新发布的多模型智能体扫描框架，在漏洞识别率上超越了 GPT-5.5 和 Anthropic Mythos 等单体模型。
⚡ 系统内置超过100个AI智能体，分工覆盖代码预处理、漏洞扫描、结果验证等全链条，重点任务由高配模型处理，海量扫描交给轻量模型提速。
🔥 公开测试中成功发现16个新漏洞（含4个RCE），私有测试21个植入漏洞实现100%识别且零误报，历史漏洞复现率最高达100%。
🛡️ 已投入微软内部产品安全加固，并向部分客户开放预览测试，标志着AI安全攻防从单模型竞赛进入多智能体协作时代。
