GitHub 與 Microsoft 公開 MDASH 試行:9,791 筆 AI 資安發現,為何只送出 99 份報告?
AI 能很快列出疑似漏洞,開源維護者卻不一定有時間把每一項都重現。MDASH 這次試行的新聞價值,在於把送出報告前的查核工作留在掃描方,讓維護者收到更接近能修復的問題。了解功能開放條件、操作範圍與團隊試行方法,依官方公告釐清適用情境。
AI 能很快列出疑似漏洞,開源維護者卻不一定有時間把每一項都重現。MDASH 這次試行的新聞價值,在於把送出報告前的查核工作留在掃描方,讓維護者收到更接近能修復的問題。
看到「找到幾千個問題」時,很容易把數量當成已確認漏洞。但 GitHub 與 Microsoft 在 2026 年 11 月 17 日公布的結果,經過自動篩選和人工複核後,只向六個專案送出 99 份私下報告。
官方 X 貼文列出的原始發現數為 9,791 筆。這個數字描述掃描起點,99 份則是查核後送交維護者的成果,兩者之間包含重複項、有效性與重要性篩選,不能直接換算成模型誤報率。
截至 11 月 15 日,維護者已修復 55 項,其中 14 項已隨版本發布。這也說明修補程式完成與使用者取得更新,中間仍隔著測試、版本安排和部署。
對想用 AI 協助開源資安的團隊,這套做法比追求報告數量更值得參考。但它仍需要研究人員與維護者投入,不能由這次小型試行推論,代理已能自動完成整段漏洞修復流程。
要看懂 99 份報告代表什麼,得先沿著掃描、篩選、人工驗證與私下修補的分工往下看。
MDASH 如何把大量發現縮成可處理的報告?
這次試行把「發現問題」和「值得寄給維護者的問題」分開處理。依 GitHub 官方說明,六個專案都先同意參與,掃描方才進行檢查並私下交付結果。
MDASH 是 Microsoft 用於多模型資安掃描的代理執行系統,這次使用早期版本的 MAI Cyber 模型找問題、提出建議修補。它描述的是一套找出與處理問題的流程,不能把名稱當成單一聊天模型。
掃描後還有另一個代理負責初步篩選。GitHub Security Lab 以客製 Copilot 技能排除重複項、檢查有效性,並聚焦影響較大的問題,因而讓後續人員不必從整份原始清單逐條開始。
但自動篩選沒有成為最後一道關卡。Microsoft FORGE Lab 的七位研究人員,對留下的發現逐項人工查核,確認後才送交維護者,所以 99 份報告是多道處理後的成果。
為什麼不能直接算模型誤報率?
GitHub 官方 X 貼文列出原始發現為 9,791 筆,最後形成 99 份私下報告。但原始清單縮小,可能同時來自去重、重要性篩選與有效性查核,不能把所有未送出項目都當成錯誤。
要計算誤報率,還需要每筆原始發現的判定方式、重複關係與排除原因。這次公開資料提供流程與交付成果,並沒有給出足以重建完整分類結果的逐項資料。
因此對新聞讀者來說,比較有意義的變化是工作負擔移到哪裡。掃描方承擔查核,再把可重現的問題和修補建議交給維護者,而不是把模型猜測全部送出去請別人證明。
每份報告透過 GitHub 的私下漏洞回報功能送達,附重現概念與建議修補。私下回報能讓維護者在公開問題前安排測試和修正,降低尚未修補的使用者先暴露在攻擊資訊中的風險。
這仍不是自動完成修復。維護者決定要修哪些項目、怎麼改,以及何時發布,代理產出的補丁只是審查起點,不能直接視為已被專案接受的正式版本。
報告數量縮小後,更有用的問題是維護者實際修了多少,以及使用者是否已拿到更新。

55 項修復與 14 項發布,分別代表什麼?
修復進度和版本發布是兩個不同階段,不能把完成補丁當成所有下游都安全。截至官方採用的 2026 年 11 月 15 日統計,維護者修復 55 項,其中 14 項修補已包含在發布版本中。
這個日期也要保留。文章在 11 月 17 日公布,但進度數字採用兩天前的狀態,因此它不是查詢當下每個專案的即時修補總數,後續閱讀仍應回到各專案公告。
對依賴套件的團隊,已發布版本才是能安排更新的直接入口。即使修補已合進程式庫,若正式版本尚未釋出,企業的套件管理工具也未必能取得它,部署計畫不能省略這段時間差。
維護者實際省下哪一段工作?
官方提供的 Caddy 案例顯示,維護者在一週內處理完收到的 22 份報告。這個案例支持「範圍清楚的報告有助於處理」,但不能把它寫成其他專案也能一週修完的保證。
ImageMagick 也收到 22 份報告,由兩人團隊維護。官方轉述其中一份報告指出了具體程式位置,讓維護者約十五分鐘完成修補,但這是單一項目的經驗,並非所有問題的平均處理時間。
這類例子說明,精簡摘要、明確行數與可審查補丁能減少重新理解問題的時間。不過節省閱讀時間不代表可以省略測試,補丁仍可能改變相鄰功能,尤其是廣泛使用的底層套件。
AutoGPT 的例子則顯示,維護者可能把建議改得更完整。官方說明,專案在收到報告後進一步延伸修正,反映維護者掌握的程式背景仍是修補品質的重要來源。
因此建議補丁的價值,應看它能否讓負責人更快理解並完成正確修復。若只用「模型產出了程式碼」計算成功,會漏掉審查、測試與正式發布真正需要的工作。
要解讀這些成果,還得把六個參與專案與人工投入放回同一個範圍。
這次試行能推論到所有開源專案嗎?
六個自願參與的專案提供了早期經驗,但不足以代表整個開源生態的修補效率。參與者是 GitHub Secure Open Source Fund 的既有支持專案,與毫無聯絡管道的隨機掃描目標不同。
專案包含 AI 代理平台 AutoGPT、網頁伺服器 Caddy、網頁框架 Express、MCP 伺服器框架 FastMCP、影像工具 ImageMagick,以及 Java 網路框架 Netty,涵蓋的程式類型並不單一。
這讓試行能觀察不同維護情境,卻也代表每個專案的程式規模、風險和測試方式不同。把所有修補加總成一個數字後,不能推論每個專案都得到相同效果。
人工投入為何仍是核心條件?
官方提到,七位研究人員在每個專案約花兩天人工檢查發現。這項投入是高品質報告的一部分,因此若想擴大規模,需要思考如何增加查核能力,而不是只增加掃描量。
人工查核也不只是看模型的結論是否像真的。研究人員要把發現放回專案的威脅情境,確認攻擊條件是否成立、是否已知,以及提出的修改會不會破壞原本設計。
威脅情境指的是系統原本打算防範誰、哪些輸入不可信,以及攻擊者能做到什麼。若問題需要管理員先主動停用保護,和一般訪客就能觸發的漏洞,影響程度自然不能混在一起。
此次流程由官方與參與維護者描述,本文沒有重新執行掃描或重現每項漏洞。因此可以確認的是公開的分工、數字口徑與案例,而非替整套工具提供獨立準確率認證。
模型版本也需要分開看。Microsoft 在 11 月 17 日另宣布 MAI Cyber 2,但這次 MDASH 試行使用的是早期 MAI Cyber,不能把既有成果直接算到新模型身上。
規模有限不表示經驗無法沿用,真正可複製的是報告與維護者協作的方式。
用 AI 找漏洞,怎麼避免把負擔轉給別人?
寄出報告前先取得掃描同意、確認威脅情境並附可審查的修補,才有機會減少維護者的工作。官方建議的標準,是送出前查核每項發現,而不是讓收件者從零判斷模型是否猜對。
實務上可以先讀專案的資安回報政策,了解支援版本、禁止測試範圍與聯絡方式。這讓研究工作符合維護者的處理節奏,也避免在沒有授權的正式服務上進行破壞性測試。
報告內容應能讓維護者重建判斷。除了受影響版本與程式位置,還需要解釋什麼輸入會觸發問題、攻擊者需要什麼權限,以及這對專案原本的保護目標造成什麼影響。
建議補丁則要對應同一個問題,保留能驗證修補前後差異的測試。如果修改只是讓某個示範輸入不再出錯,卻沒有處理同類型條件,仍需要維護者重新設計。
使用開源套件的團隊要做什麼?
一般企業不一定要自己掃描所有依賴,但應知道服務用了哪些版本。當維護者發布資安公告,團隊才能判斷自己的程式是否受影響,而不是只根據套件名稱就緊急更新全部系統。
GitHub 建議使用 Dependabot 警報追蹤依賴更新。這類通知提供可行動的線索,但通知出現後仍要核對受影響範圍、執行測試並部署新版本,警報本身不會完成修復。
更新完成後,也要保存版本與驗證證據。例如記錄哪些服務已換上修補版本、哪些還卡在相容性測試,讓「已處理」能對回實際部署狀態,而不是只代表有人讀過新聞。
維護者若尚未公開細節,下游團隊也應依正常回報管道確認,不要求研究者提前散布可利用資訊。這讓修補與揭露能按專案安排進行,避免可用攻擊先於可用更新。
維護團隊也可以把處理狀態分成收到報告、完成查核、修補合併、版本發布與下游更新。這些狀態各自有不同證據,分開記錄後,才不會把「有人在處理」回報成「正式環境已完成修復」。
對需要暫緩更新的系統,應留下暫緩原因與負責人,例如相容性測試尚未完成,而不是讓警報默默消失。這不是要求每則通知都立即停機,而是讓團隊知道仍有哪些風險需要後續行動。
如果供應商把掃描結果當成產品成效,也應同時公布處理口徑。原始發現、已驗證報告和已發布修補回答不同問題,只有保留這些差異,其他團隊才有辦法比較自己需要投入的查核與維護工作。
這些做法也決定一般使用者應該如何追蹤更新,而不是只追逐掃描新聞。
MDASH 常見問題
只送出 99 份報告,代表其他原始發現全是誤報嗎?
不能這樣推算。流程同時排除重複、檢查有效性並篩選重要問題,而公開資料沒有逐項分類結果。原始數量與交付報告數描述不同階段,不能直接換算模型誤報率。
55 項修復代表所有使用者已經安全嗎?
還不代表。官方統計中只有其中 14 項已隨版本發布,下游還需取得更新並部署。每個專案的後續狀態,要依維護者公告與實際使用版本核對。
試行是否已證明 AI 能取代資安研究人員?
沒有。人工研究人員逐項複核,維護者決定修補方式與發布時機。成果來自整段協作,不能只保留模型掃描的部分,再把人員投入從結果裡拿掉。
把成果看在已驗證修補,而非 AI 報告數量
團隊能立即採取的行動,是建立私下回報與依賴更新機制,而不是大量寄出自動掃描清單。這次試行最有參考價值的地方,是把查核成本留給提出發現的人,再把可用成果交給維護者。
若想導入類似流程,可以先選一個取得同意的專案,確定能提供重現證據、補丁與測試,再逐步擴大。若沒有能力驗證發現,繼續增加掃描量很可能只讓別人的收件匣更滿。
從一個取得同意的專案開始,完成重現、修補、測試與通知的閉環。對下游使用者,則先盤點依賴版本、追蹤正式公告並確認部署,才能把資安研究成果變成實際保護。
延伸閱讀:GitHub Copilot Security extension 公開預覽:警報到修補怎麼接,權限與費用一次看
延伸閱讀:Cursor 資安事件調查更新:外洩範圍、時間線與用戶該做什麼