Google vient de sortir Gemini 3.5 Flash Cyber, un fine-tune de Gemini 3.5 Flash conçu spécifiquement pour trouver et corriger des vulnérabilités logicielles. Il est arrivé le 21 juillet 2026 — exactement le même jour que Fugu-Cyber de Sakana AI, une variante spécialisée en cybersécurité de son orchestrateur Fugu. Deux mois et demi plus tôt, le 7 mai, OpenAI avait déjà sorti GPT-5.5-Cyber. Trois laboratoires de pointe, trois modèles « Cyber », tous en l'espace d'un été. Cela mérite qu'on s'y arrête.
La même forme, trois fois
Alignez les trois et le motif saute aux yeux :
- GPT-5.5-Cyber (OpenAI, 7 mai) : 85,6 % sur CyberGym, fait partie de l'initiative « Trusted Access for Cyber » / Daybreak d'OpenAI, restreint aux équipes de cybersécurité vérifiées.
- Fugu-Cyber (Sakana AI, 21 juillet) : 86,9 % sur CyberGym, une version spécialisée de son orchestrateur multi-modèles, verrouillée derrière une demande d'accès examinée manuellement.
- Gemini 3.5 Flash Cyber (Google, 21 juillet) : 83,2 % sur CyberGym — juste derrière GPT-5.5-Cyber malgré un modèle de base bien plus petit et moins coûteux — restreint aux gouvernements et partenaires de confiance via l'agent CodeMender de Google.
Chacun de ces modèles est (1) un fine-tune ou une variante spécialisée d'un modèle général existant plutôt qu'un modèle entraîné depuis zéro, (2) évalué sur la même poignée de benchmarks spécifiques à la sécurité — CyberGym en premier lieu, parfois associé à quelque chose comme CTI-REALM ou ExploitGym — et (3) délibérément pas distribué via l'API publique normale. Chaque laboratoire a choisi la même stratégie : prendre le modèle phare, le spécialiser, le verrouiller fermement.
Pourquoi verrouiller du tout
Un modèle doué pour trouver de vraies vulnérabilités dans du vrai code est, par construction, également doué pour trouver des vulnérabilités exploitables à des fins d'attaque plutôt que de correction. Les trois laboratoires gèrent cela de la même façon plutôt que de prétendre que le problème n'existe pas : un accès restreint (équipes vérifiées, gouvernement/partenaires uniquement, ou examen manuel des demandes), et dans le cas de Sakana, un point de contrôle architectural explicite — une découverte doit franchir une étape de vérification humaine avant d'être traitée comme réelle. Aucun de ces modèles n'est proposé en téléchargement ouvert ou via une clé API en libre-service.
Ce que cela dit de la direction que prend la course
Ce qui est intéressant n'est pas qu'un de ces modèles soit impressionnant en soi — c'est que « livrer une variante durcie, verrouillée et spécialisée en sécurité de son modèle phare » soit devenu, pour un laboratoire de pointe, une case à cocher mi-2026, tout comme « livrer un mode de raisonnement » l'était un an plus tôt. La découverte et la correction de vulnérabilités à la vitesse de la machine deviennent une capacité sur laquelle les laboratoires se font directement concurrence, et non plus seulement un effet secondaire de l'intelligence générale. À surveiller : est-ce que la prochaine vague fera descendre cette capacité vers les modèles à poids ouverts, comme cela s'est produit pour le raisonnement — ou est-ce que les variantes « cyber » resteront un niveau verrouillé de façon permanente, précisément parce que le récit de sécurité est véritablement différent cette fois-ci ?
Mise à jour : l'exception qui trace la frontière
Le jour même de la publication de cet article, l'équipe Foundation AI de Cisco a discrètement publié Antares — de petits modèles de sécurité (350 M/1 Md) sous Apache 2.0, entièrement ouverts, téléchargeables, sans verrou. Cela brise-t-il le motif ? Pas vraiment — cela le précise. Antares fait de la localisation de vulnérabilités : à partir d'un CVE déjà publié, il identifie précisément quels fichiers d'une base de code contiennent la faille. Il ne découvre pas de nouvelles vulnérabilités et n'écrit pas d'exploits — ce qui explique exactement pourquoi Cisco a pu le publier ouvertement là où OpenAI, Google et Sakana ont tous choisi de verrouiller. La ligne de démarcation vers laquelle converge l'industrie n'est pas « les modèles de sécurité sont verrouillés » ; c'est trouver de nouvelles failles reste verrouillé, trier les failles connues est livré gratuitement. (Le résultat en matière d'efficacité est une histoire à part entière : Antares-1B bat GLM-5.2, à 753 Md, sur cette tâche, pour environ 1/170e du coût de GPT-5.5 par évaluation.)
Mise à jour — 27 juillet 2026 : Microsoft publie un tableau de scores
Six jours plus tard, Microsoft a annoncé MAI-Cyber-1-Flash, et cela fait quelque chose qu'aucun des autres n'avait fait : publier l'ensemble du champ sur un seul axe.
| Configuration | CyberGym |
|---|---|
| MDASH : MAI-Cyber-1-Flash + GPT-5.4 | 95,95 % |
| GPT-5.5 Cyber | 85,6 % |
| Mythos 5 | 83,8 % |
| GPT-5.6 Sol | 83,6 % |
| Gemini 3.5 Flash Cyber dans CodeMender | 83,2 % |
Un écart de douze points. Chaque modèle de cet article se situait dans une fourchette de 83–87 % ; le chiffre de Microsoft n'y est pas. Mais lisez attentivement la colonne de gauche, car l'affirmation intéressante n'est pas dans le score — elle est dans le signe plus.
Le produit, c'est le routage
MAI-Cyber-1-Flash n'est pas un modèle plus gros. C'est un modèle compact, dérivé de la lignée MAI-Thinking-1, et Microsoft précise explicitement qu'il a été « conçu pour traiter efficacement jusqu'à 90 % de toutes les tâches » afin que MDASH puisse réserver GPT-5.4 pour « les 10 % de tâches exceptionnellement difficiles qui en ont réellement besoin ». Les 95,95 % appartiennent au système routé, pas au modèle.
Ce qui signifie que le résultat marquant n'est pas « notre modèle cyber est meilleur que le vôtre ». C'est « un spécialiste bon marché plus une voie d'escalade vers la pointe bat l'un ou l'autre seul, et coûte deux fois moins cher ». Microsoft revendique une économie de coûts de 50 % par rapport à sa propre meilleure configuration MDASH précédente — GPT-5.4 + 5.4 mini + 5.3 codex — pas par rapport à un concurrent. Ils se sont optimisés par rapport à eux-mêmes.
Cela recadre la tendance décrite dans cet article. Les trois premiers laboratoires ont traité « cyber » comme un problème de capacité : prendre le modèle phare, le spécialiser, le verrouiller. Microsoft le traite comme un problème économique. Leur raison affichée mérite d'être citée, car c'est la partie qui se généralise : « étant donné l'énorme volume d'attaques entrantes, le coût en jetons est désormais la véritable contrainte pour les défenseurs ». Pas la capacité. Le coût.
C'est un pari véritablement différent, et c'est celui vers lequel pointait déjà Antares depuis l'autre bout. Cisco a fait petit et ouvert parce que le triage est un travail bon marché ; Microsoft a fait petit-et-routé parce que la plupart du travail de sécurité est un travail bon marché. Les deux affirment que le modèle de pointe est excessif pour l'essentiel de la tâche — ils ne sont simplement pas d'accord sur qui devrait posséder les 10 % restants.
Le fossé, c'est la donnée, et ce n'est pas le modèle
Microsoft présente son avantage en trois éléments — Modèle, Données, Harnais — et est inhabituellement direct sur le fait que le deuxième est celui qui est défendable : 100 000 milliards de signaux de sécurité quotidiens à travers l'identité, les terminaux, le cloud et le réseau, l'historique des exploits réels et de leurs remédiations du Microsoft Security Response Center, et la télémétrie de 1,6 million de clients. Ils la décrivent comme une boucle d'apprentissage par renforcement en direct, où les actions se relient aux résultats : ce qui était exploitable, ce qui a été contenu, ce qui a réellement fonctionné.
« Personne ne peut fabriquer cet historique » est une affirmation forte, et globalement juste. Elle implique aussi que la course aux modèles cyber pourrait ne pas être gagnable par la seule qualité du modèle — une conclusion inconfortable pour les laboratoires dont le seul actif est le modèle.
Ce que cela fait à la question du verrouillage
Cet article se terminait en se demandant si les variantes « cyber » resteraient un niveau verrouillé de façon permanente. La réponse de Microsoft est la plus restrictive à ce jour, et elle arrive par une voie différente : MAI-Cyber-1-Flash n'est pas verrouillé derrière une vérification comme GPT-5.5-Cyber, ni derrière un statut de partenaire comme Gemini 3.5 Flash Cyber. Ce n'est même pas vraiment disponible en tant que modèle. On l'obtient en achetant MDASH, avec isolation des locataires, contrôles basés sur les rôles, auditabilité et exécution en bac à sable sans accès internet.
La ligne de démarcation de la mise à jour Antares tient toujours — trouver de nouvelles failles reste verrouillé, trier les failles connues est livré gratuitement — mais il existe désormais un second axe. L'unité verrouillée dérive du modèle vers le système. Sakana a verrouillé un orchestrateur. Google a livré via CodeMender. Microsoft livre un harnais avec plus de 100 agents et ne vous vendra pas le modèle qui se trouve à l'intérieur. Pour une capacité aussi ambivalente, le harnais pourrait tout simplement être une meilleure surface de contrôle que les poids : on peut le journaliser, le confiner dans un bac à sable, et le révoquer.
C'est un développement discrètement significatif pour quiconque espère que cette capacité descende vers le grand public comme l'a fait le raisonnement. Le raisonnement est devenu bon marché et ouvert parce que c'était une propriété des modèles. Si la capacité cyber devient une propriété des systèmes, elle pourrait bien ne jamais connaître ce moment.
Liens
- Annonce : Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber — Google
- À lire aussi : Fugu-Cyber — Sakana AI
- À lire aussi : Scaling Trusted Access for Cyber with GPT-5.5 and GPT-5.5-Cyber — OpenAI
- À lire aussi : Introducing Antares — Cisco
- Mise à jour : Introducing MAI-Cyber-1-Flash inside MDASH — Microsoft AI