MAI Cyber 1.1 Flash của Microsoft là mô hình được thiết kế chuyên biệt, tích hợp trong MDASH — quy trình đa tác tử điều phối việc quét, phân loại và đề xuất biện pháp khắc phục. Điểm đáng chú ý là mức tiêu thụ token giảm 18% trong khi tỷ lệ phát hiện tương đương. Điều này có ý nghĩa thiết thực trong vận hành, bởi chi phí token dù nhỏ cũng sẽ cộng dồn khi liên tục quét các cơ sở mã lớn. Tuy nhiên, tiết kiệm token chỉ phản ánh một phần câu chuyện. Với các nhóm bảo mật, chỉ số thực sự quan trọng là chi phí trên mỗi lỗ hổng đã xác minh: các phát hiện tự động thường đúng đến mức nào, cần bao nhiêu thời gian của con người để kiểm chứng và tốc độ chuyển sang khắc phục ra sao.
Các mô hình chuyên biệt như MAI Cyber 1.1 Flash có thể vượt trội hơn những LLM đa dụng tiên tiến trong các tác vụ kiểm tra lặp lại, nhờ cô đọng kiến thức chuyên ngành và khai thác những quy luật dễ dự đoán trong mã nguồn cũng như dấu hiệu lỗ hổng. Trong quy trình quét, mô hình nhỏ hơn và rẻ hơn có thể thực hiện nhiều lượt hơn, tích hợp các heuristic xác định và được tinh chỉnh để tạo đầu ra có cấu trúc, giảm công xử lý ở các bước sau. Điều đó không có nghĩa các mô hình tiên tiến trở nên vô dụng — chúng vẫn hữu ích với tình huống mơ hồ, xâu chuỗi khai thác hoặc tóm tắt bằng ngôn ngữ tự nhiên. Nhưng với hoạt động phát hiện trên quy mô lớn, kiến trúc chuyên biệt và thiết kế am hiểu quy trình sẽ có lợi thế về chi phí.
Các nhóm đánh giá MAI Cyber 1.1 Flash nên thiết kế thử nghiệm vượt ra ngoài việc chỉ đếm token và xem độ chính xác danh nghĩa. Những chỉ số cần so sánh gồm: độ chính xác trong top-k phát hiện, tỷ lệ dương tính giả trên mỗi lượt quét, số phút con người cần để xác minh từng phát hiện và thời gian khắc phục. Một thử nghiệm thực tế là quét A/B: chạy MDASH với MAI Cyber 1.1 Flash trên một bộ mã đại diện, đồng thời chạy song song mô hình cũ hơn hoặc một LLM tiên tiến, sau đó so sánh số lỗ hổng đã xác minh và tổng số giờ công cần để kiểm chứng. Cách này cho ra chỉ số chi phí trên mỗi hành động thực tế để nhà quản lý dự trù ngân sách.
Cuối cùng, kết quả phát hiện lỗ hổng tự động chỉ là dữ liệu đầu vào, không thể thay thế quy trình kỹ thuật. Các phát hiện cần được phân loại, kèm ca kiểm thử có thể tái hiện, ánh xạ CVE khi phù hợp và kế hoạch khắc phục theo thứ tự ưu tiên. Việc tích hợp với hệ thống quản lý ticket, cổng kiểm soát CI và chấm điểm rủi ro sẽ quyết định liệu tiết kiệm token có giúp rút ngắn thời gian trung bình để vá lỗi hay không. Lãnh đạo bảo mật cũng nên kiểm tra các lỗ hổng về độ bao phủ: mô hình chuyên biệt có thể bỏ sót lỗi logic xuyên tệp hoặc kiểu khai thác mới, vốn cần suy luận với ngữ cảnh lớn hơn hoặc kiểm thử fuzz đối kháng có mục tiêu.