La nota al pie es la noticia
Microsoft lanzó MAI Cyber 2 Flash el 17 de noviembre con una afirmación central: en CyberGym-E2E, una prueba de descubrimiento de vulnerabilidades reales, el modelo obtuvo un 92,3% frente al 91,5% de GPT-6 Astra, con la mitad del presupuesto de razonamiento y menos del 2% del coste por tarea.
Debajo de esa afirmación, en un apartado titulado “Sobre estos resultados”, Microsoft cuenta algo que los proveedores casi nunca ofrecen. Al revisar sus resultados en CyberGym-E2E, la empresa descubrió que 92 de las 905 tareas de la prueba se basan en los mismos proyectos de código abierto e informes de vulnerabilidad que parte de sus datos de entrenamiento. Dice que las soluciones de referencia de la prueba nunca se usaron en el entrenamiento, y que excluyó esas 92 tareas para todos los modelos y reportó los resultados sobre las 813 restantes.
Por qué importa
Una prueba pierde sentido cuando el modelo ya ha visto las respuestas. El fallo habitual es silencioso: el proveedor ejecuta la batería, publica la cifra y nadie desde fuera puede saber qué ítems fueron memorizados. Lo que Microsoft describe es la forma más leve del problema —proyectos de origen solapados, no soluciones filtradas— y repuntuó de forma simétrica, aplicando la exclusión también a los competidores.

También es un recorte del 10% del conjunto de tareas, asumido voluntariamente, justo en la prueba que sostiene la comparación de coste más agresiva del lanzamiento. Un preprint publicado el mismo día en arXiv sobre contaminación de pruebas sostiene que esta clase de revelación debería ser práctica habitual, no una nota al pie.
El resto de las afirmaciones
Microsoft dice que MAI Cyber 2 Flash también supera a GPT-5.6 Cyber en CyberGym-E2E y en WebExploitBench con el mismo presupuesto de razonamiento, con un 40,4% frente a un 38,4% en esta última. Le da una ventana de contexto de un millón de tokens, cuatro veces mayor que la de MAI Cyber 1.1 Flash, lo que según la empresa le permite sostener más código durante investigaciones de varios pasos.
La comparación de coste se apoya en precios de lista que Microsoft publica en sus propias notas: 0,10 dólares por millón de tokens de entrada, 0,01 en caché y 0,50 de salida para MAI Cyber 2 Flash, frente a 10, 1 y 50 dólares de GPT-6 Astra en Azure OpenAI Global. Microsoft precisa que las cifras reflejan el coste de una evaluación fuera de línea, no el gasto de un cliente. Insight Enterprises, cliente, sitúa a los modelos MAI un 20% por delante en eficiencia de tokens, medido frente a GPT 5.4, GPT 5.3 Codex y GPT 5.4 Mini.

Lo que falta
Microsoft no ha comparado el modelo con el modelo de seguridad dedicado actual de OpenAI. Dice que GPT-6 Cyber solo está disponible para clientes seleccionados y que evaluarlo en pruebas agénticas con herramientas exige salvaguardas adicionales todavía en implantación. La empresa dice que prevé compartir resultados comparativos en las próximas semanas.
Ese hueco importa porque la comparación que Microsoft sí hace es con GPT-6 Astra, un modelo frontera general, no con uno construido para el mismo trabajo. OpenAI dijo el mismo día que ambos modelos GPT-6.2 alcanzan el umbral Crítico en ciberseguridad de su Marco de Preparación y que por ello ha endurecido las restricciones por defecto en la asistencia de mayor riesgo, lo que explica en parte por qué una prueba equivalente es difícil de montar.
MAI Cyber 2 Flash no se vende como modelo de API. Microsoft dice que llegará en exclusiva a sus propios productos de seguridad, incluido uno al que se refiere con el nombre en clave MDASH, donde sustituirá automáticamente al modelo actual del perfil MAI para los clientes elegibles a partir de mediados de diciembre. Queda por ver si algún evaluador externo repite CyberGym-E2E con las 905 tareas completas y publica la diferencia.