Microsoft AI lance MAI-Cyber-1-Flash, un modèle cyber à 5 milliards de paramètres actifs qui atteint 95,95% sur CyberGym

Microsoft lance son propre modèle de cybersécurité MAI-Cyber-1-Flash, mais reste dépendant d'OpenAI pour les tâches les plus complexes

Voici l'article traduit : Microsoft a dévoilé MAI-Cyber-1-Flash, un modèle compact spécialisé en cybersécurité qui atteint un score de 96 % sur le benchmark CyberGym lorsqu'il est intégré à MDASH, le système multi-agents de l'entreprise. Ce nouveau modèle est conçu pour traiter en interne la majorité des tâches de sécurité, qu'il s'agisse d'analyser des vulnérabilités, de détecter des menaces ou d'automatiser des vérifications. Selon Microsoft, cette architecture permet de réduire les coûts d'environ 50 % par rapport à l'utilisation exclusive de modèles frontières comme GPT-5.4. Le principe repose sur un système de délégation intelligent : MAI-Cyber-1-Flash gère les cas standards, tandis que seules les tâches les plus complexes sont transmises au modèle d'OpenAI, plus puissant mais aussi plus coûteux à exploiter. Cette approche hybride illustre un enjeu majeur pour les entreprises technologiques qui déploient l'IA à grande échelle dans des domaines critiques comme la cybersécurité : trouver l'équilibre entre performance, rapidité et coût. En confiant les tâches courantes à un modèle maison plus économique, Microsoft peut multiplier les déploiements de MDASH sans voir sa facture d'inférence exploser, tout en gardant un niveau de fiabilité élevé grâce au filet de sécurité que représente GPT-5.4 pour les cas complexes. Pour les équipes de sécurité informatique qui utilisent ces outils, cela pourrait se traduire par des solutions de détection plus abordables et plus rapides, sans sacrifier la capacité à traiter les menaces sophistiquées. Ce lancement s'inscrit dans une tendance plus large où les grands éditeurs cloud cherchent à réduire leur dépendance aux modèles frontières tout en continuant à s'appuyer sur eux pour les usages les plus exigeants. Microsoft, malgré son partenariat étroit et son investissement massif dans OpenAI, développe donc ses propres modèles spécialisés pour certains cas d'usage précis, une stratégie qui pourrait s'étendre à d'autres domaines que la cybersécurité. Reste à voir si cette architecture à deux vitesses deviendra la norme pour les acteurs du secteur, et comment OpenAI positionnera ses propres offres face à cette concurrence interne grandissante de ses partenaires.

Microsoft lance un modèle de cybersécurité IA et une plateforme de défense à base d'agents pour réduire les coûts

Microsoft a dévoilé lundi son premier modèle de cybersécurité développé en interne, baptisé MAI-Cyber-1-Flash, conçu par sa division Microsoft AI (MAI). Ce modèle compact est intégré à MDASH, le système multi-agents du groupe dédié à la détection et à la correction des failles logicielles. Selon Microsoft, l'ensemble obtient un score de 96% sur CyberGym, un benchmark qui évalue la capacité des systèmes d'IA à analyser de vastes bases de code pour y déceler de véritables vulnérabilités, devançant ainsi des modèles de pointe comme Mythos, Gemini et GPT, tout en réduisant les coûts de moitié par rapport à la configuration de production actuelle de Microsoft. L'entreprise a également présenté Project Perception, une plateforme agentique qui orchestre des agents "rouges" chargés de rechercher des voies de compromission, des agents "bleus" qui enquêtent et évaluent les risques, et des agents "verts" qui corrigent et renforcent les défenses. Ce système entrera en préversion publique le 3 août. Fait notable, l'architecture repose sur un partage des tâches à 90/10 : MAI-Cyber-1-Flash traite l'essentiel des requêtes de sécurité, tandis que les 10% de problèmes les plus complexes sont transmis à un modèle plus puissant, en l'occurrence GPT-5.4 d'OpenAI. Cette annonce illustre un changement de paradigme dans la manière dont les entreprises pourraient choisir leurs outils d'IA : non plus le modèle le plus puissant, mais le moins cher qui reste suffisamment performant, orchestré intelligemment selon la difficulté de chaque tâche. Pour les entreprises, cela promet une réduction significative des coûts de cybersécurité sans sacrifier l'efficacité, dans un contexte où les modèles de pointe comme Mythos restent onéreux à grande échelle. Mustafa Suleyman, PDG de Microsoft AI, a affirmé lors d'un entretien avec VentureBeat que ce lancement n'était qu'un début : "Nous avons un avantage considérable en matière de données, d'infrastructure et d'expertise, ce qui nous permet d'entraîner des modèles plus rapides, meilleurs et moins chers, et ce n'est vraiment que la partie émergée de l'iceberg." Cette stratégie révèle aussi l'évolution des rapports entre Microsoft et OpenAI, partenaires dont l'alliance avait suscité l'attention des régulateurs à Bruxelles et à Washington en 2024. Si Microsoft reste client d'OpenAI pour les tâches les plus exigeantes, faisant appel à GPT-5.4 jugé "incroyablement performant par rapport à son coût", le groupe cherche de plus en plus à maîtriser lui-même les couches technologiques où il estime détenir un avantage durable. Suleyman a justifié ce choix par la recherche de performance à moindre coût, expliquant que la valeur du système ne provient pas d'un modèle unique mais de l'orchestration globale, capable de gérer des centaines d'étapes dans des boucles agentiques complexes.

💬 C'est le genre de mouvement qu'on va voir se généraliser partout : plus le modèle le plus costaud, mais le moins cher qui suffit, avec un routeur qui envoie les cas chauds vers du GPT-5.4 quand ça dépasse. 90% du boulot fait par un petit modèle maison, 10% sous-traité au premium, ça change la logique économique de toute la cybersécurité IA, pas juste chez Microsoft. Reste que "96% sur un benchmark" et "ça tient face à un vrai attaquant motivé" sont deux choses différentes, et là on n'a que la version de Microsoft.

Sakana AI dévoile Fugu-Cyber, un modèle d'orchestration affichant 86,9% sur CyberGym et 72,1% sur CTI-REALM

Sakana AI a dévoilé Fugu-Cyber le 21 juillet 2026, une troisième déclinaison spécialisée en cybersécurité de son orchestrateur Fugu, lancé un mois plus tôt. L'entreprise japonaise annonce un taux de réussite de 86,9% sur CyberGym, un benchmark de l'Université de Berkeley couvrant 1 507 vulnérabilités réelles réparties sur 188 projets open source issus d'OSS-Fuzz, où l'agent doit produire un code de preuve de concept capable de faire planter une version non corrigée sans affecter la version patchée. Sur CTI-REALM, le benchmark de détection développé par Microsoft à partir de 37 rapports de menaces publics (Datadog Security Labs, Palo Alto Networks, Splunk notamment), où l'agent doit cartographier des techniques MITRE ATT&CK et produire des règles Sigma validées, Fugu-Cyber affiche 72,1%. Contrairement à un modèle frontière classique, Fugu-Cyber repose sur l'architecture d'orchestration de Sakana: un modèle qui construit à la volée un schéma agentique puis délègue les sous-tâches à des modèles spécialisés, avec un rôle de vérificateur chargé de valider chaque vulnérabilité avant qu'un correctif ne soit proposé. Ces chiffres méritent d'être resitués dans leur contexte pour en saisir la portée réelle. Sur CyberGym, les meilleurs modèles frontière plafonnaient autour de 20% lors des premières publications; Anthropic a rapporté 83,1% pour Claude Mythos Preview en avril 2026 dans le cadre du projet Glasswing, et OpenAI a annoncé 85,6% pour GPT-5.5-Cyber. Le score de Sakana ne représente donc qu'une avancée marginale, et non une rupture, sur ce premier test. En revanche, sur CTI-REALM, où Microsoft situait ses meilleures configurations (toutes basées sur Claude) entre 62,4% et 68,5%, Fugu-Cyber se positionnerait nettement au-dessus, un résultat à nuancer puisque ce benchmark mesure en réalité une récompense de trajectoire entre 0 et 1, et non un taux de réussite binaire comme le présente Sakana. Pour l'industrie de la sécurité, l'enjeu dépasse la simple compétition de scores: un modèle capable à la fois de prouver une vulnérabilité et de générer des règles de détection opérationnelles change la nature du travail des équipes de sécurité offensive et défensive, en accélérant potentiellement des tâches qui demandaient jusqu'ici une expertise humaine pointue des deux côtés du processus. L'accès à Fugu-Cyber reste toutefois strictement encadré, ce qui traduit la prudence de Sakana face aux risques de mésusage. Le modèle est soumis à un formulaire de candidature examiné manuellement, précisant le cas d'usage et l'identité du demandeur, et fonctionne sous une politique d'utilisation acceptable révisée qui interdit tout usage offensif. La facturation passe exclusivement par les abonnements Token Plan à 20, 100 ou 200 dollars, et l'API n'est pour l'instant pas proposée dans l'Union européenne ni dans l'Espace économique européen, le temps que Sakana finalise sa mise en conformité avec le RGPD. Côté tarifs, le modèle coûte 6 dollars par million de tokens en entrée, 36 dollars en sortie et 0,60 dollar pour le cache, avec un doublement de ces tarifs au-delà de 272 000 tokens de contexte, un seuil que les analyses de bases de code volumineuses franchissent aisément. Chaque tarif correspond exactement à 1,2 fois celui de Fugu-Ultra, soit une prime fixe de 20% pour la version cybersécurité, signe que Sakana mise sur ce créneau spécialisé comme relais de croissance face à des rivaux comme OpenAI et Anthropic déjà positionnés sur ce marché.

💬 Le chiffre qui compte n'est pas les 86,9% sur CyberGym, à peine au-dessus de Claude et GPT-5.5, mais les 72,1% sur CTI-REALM, où Sakana dépasserait les meilleures configs Claude testées par Microsoft (comparer un taux de réussite à une récompense de trajectoire, c'est un peu de la triche marketing, mais bon). Sur le papier, un agent qui prouve une vulnérabilité et sort direct les règles Sigma pour la détecter change le boulot des deux côtés de la sécurité, offensive et défensive. Toi en France, tu regardes ça depuis le trottoir : pas d'accès UE tant que le RGPD n'est pas réglé, et une facturation cybersécu 20% plus chère que la version généraliste, le signal est clair sur où Sakana voit son marché.

Fastino Labs publie en open source GLiGuard : un modèle de modération 300M paramètres aussi précis que des modèles 23 à 90 fois plus grands

Fastino Labs a publié GLiGuard, un modèle open-source de modération de contenu doté de 300 millions de paramètres, conçu pour sécuriser les applications basées sur des LLM en production. Sur neuf benchmarks de sécurité, GLiGuard atteint ou dépasse la précision de modèles 23 à 90 fois plus volumineux, comme LlamaGuard4 (12 milliards de paramètres), WildGuard (7 milliards) ou ShieldGemma (27 milliards), tout en fonctionnant jusqu'à 16 fois plus vite. En une seule passe, le modèle exécute simultanément quatre tâches de modération : classification de sécurité des prompts et des réponses, détection de 11 stratégies de contournement (injection de prompt, roleplay, social engineering...), analyse de la toxicité selon 8 catégories, et identification des contenus sexuels. Le modèle et ses poids sont disponibles sous licence Apache 2.0. L'enjeu est directement opérationnel : dans tout système LLM en production, le modèle de garde-fous s'exécute à chaque requête utilisateur et à chaque réponse du modèle, à chaque tour de conversation. Avec les architectures actuelles de type décodeur, cette latence s'accumule et le coût se multiplie. GLiGuard résout ce problème en adoptant une architecture encodeur, qui traite l'intégralité du texte d'entrée en une seule passe et retourne une étiquette de classification directement, sans générer de tokens séquentiellement. Concrètement, ajouter des dimensions d'évaluation supplémentaires n'augmente pas la latence, puisque toutes les tâches et leurs labels candidats font partie de l'entrée elle-même. Pour les développeurs qui déploient des agents IA capables de naviguer sur le web, d'exécuter du code ou d'interagir avec des services externes, cette réduction de latence et de coût peut changer fondamentalement la viabilité économique d'une mise en production sécurisée. Le problème de fond que GLiGuard cherche à résoudre illustre une tension structurelle dans l'industrie LLM : les modèles de garde-fous ont été construits sur des architectures décodeur par commodité, parce qu'ils pouvaient interpréter des instructions en langage naturel et s'adapter à de nouvelles politiques de sécurité sans réentraînement. Mais la modération de contenu est fondamentalement un problème de classification, pas de génération de texte, et les architectures décodeur ne sont pas optimisées pour cela. La publication de GLiGuard s'inscrit dans une tendance plus large de spécialisation des modèles : plutôt qu'utiliser un même LLM généraliste pour tout, les équipes en production découpent les tâches selon leurs contraintes propres. Fastino Labs positionne GLiGuard comme une brique d'infrastructure plutôt qu'un produit fini, ce qui suggère une stratégie d'adoption par les développeurs avant une éventuelle offre commerciale autour de la vitesse et du coût à l'échelle.