Cisco Systems pada tanggal 21 Juli memperkenalkan Antares, sebuah keluarga model bahasa kecil yang dibangun untuk menunjukkan dengan tepat di mana kerentanan keamanan yang diketahui berada di dalam basis kode, dan merilis dua yang pertama sebagai unduhan berbobot terbuka di Hugging Face. Peluncuran ini, yang diliput oleh SiliconANGLE, Axios, dan Help Net Security, menandai salah satu upaya paling konkrit untuk membawa model kecil khusus ke dalam sudut keamanan perangkat lunak yang selama ini lambat, mahal, dan bergantung pada penyelidik manusia.
Antares berasal dari Cisco Foundation AI, grup penelitian dan teknik perusahaan yang berfokus pada kecerdasan buatan khusus keamanan. Proyek ini mengatasi masalah yang dikenal sebagai lokalisasi kerentanan, yaitu pekerjaan menghubungkan data kerentanan eksternal, seperti database publik, saran, dan entri Common Weakness Enumeration (CWE), ke file tertentu dalam repositori di mana kemungkinan besar terdapat kelemahan. Untuk mengikuti perkembangan terkini di bidang ini, lihat cakupan industri AI.
Model Kecil Dibuat untuk Pekerjaan Tertentu
Dua model telah tersedia saat ini: Antares-350M dan Antares-1B, dan model Antares-3B yang lebih besar akan menyusul. Semuanya cukup kecil untuk dijalankan secara lokal, yang menurut Cisco memungkinkan tim keamanan menyimpan kode sumber sensitif di dalam lingkungan mereka sendiri daripada mengirimkannya ke layanan cloud. Hal ini merupakan nilai jual yang penting bagi universitas, badan sektor publik, organisasi nirlaba, dan tim keamanan kecil yang kekurangan anggaran untuk model perbatasan komersial yang banyak menggunakan token.
Daripada memindai repositori dengan aturan tetap, Antares mengerjakannya seperti yang dilakukan penyelidik manusia. Setiap model dimulai dari deskripsi kerentanan, mencari pola kode yang relevan, membaca file kandidat, memasukkan bukti baru, mengubah arah ketika jalur tidak mengarah ke mana pun, dan menyempit ke file yang paling mungkin penting. Outputnya adalah daftar peringkat file sumber yang mungkin berisi kerentanan yang relevan, beserta jejak eksplorasi terminal yang menghasilkan kerentanan tersebut.
Tolok Ukur Khusus dan Penghematan Biaya yang Dramatis
Untuk mengukur model, Cisco membuat pengujiannya sendiri, Vulnerability Localization Benchmark, yaitu kumpulan 500 entri yang memerlukan model untuk menavigasi basis kode yang tidak dikenal dan mengenali pola kerentanan yang terkait dengan kategori kelemahan tertentu. Cisco berpendapat bahwa tolok ukur pencarian kode yang ada mengukur apakah agen dapat menemukan kode yang relevan dengan masalah perangkat lunak umum, bukan apakah agen dapat menemukan file yang rentan dari deskripsi keamanan. Pekerjaan terdekat yang dikutip oleh perusahaan adalah sistem yang disebut CodeScout, yang menunjukkan bahwa lokalisasi kode dapat dilatih dan diukur dengan terminal Unix standar.
Pada benchmark tersebut, Cisco mengatakan model Antares mengalahkan sekitar selusin model open-weight dan close-weight yang lebih besar dalam hal akurasi, namun harganya jauh lebih murah. Perusahaan memperkirakan biaya evaluasi Antares di bawah satu dolar, dibandingkan dengan sekitar $12,50 untuk model open-weight terkuat yang diuji, GLM-5.2, dan sekitar $141 untuk model sumber tertutup terkuat, GPT-5.5. Angka tersebut masing-masing 15,2 kali dan 172 kali lebih murah. Antares juga menyelesaikan pengujian benchmark dalam waktu sekitar satu jam, dibandingkan dengan sekitar empat setengah jam untuk GPT-5.5.
Kesenjangan kinerja menyoroti tren industri yang lebih luas: untuk tugas-tugas yang didefinisikan secara sempit, model kecil yang dilatih dengan cermat dapat menyamai atau melampaui model frontier tujuan umum dengan biaya komputasi yang lebih rendah. Seperti yang dilaporkan Axios, Cisco secara efektif bertaruh bahwa AI yang lebih kecil dan dibuat khusus akan unggul dalam keamanan siber perusahaan, di mana tim lebih mementingkan keandalan, biaya, dan privasi data dibandingkan ukuran model mentah.
Bagian dari Dorongan AI Keamanan yang Lebih Luas
Antares adalah bagian terbaru dari upaya Cisco yang lebih luas seputar AI dalam bidang keamanan. Pada bulan Oktober, perusahaan ini merilis Project CodeGuard, kerangka kerja sumber terbuka yang berisi aturan pengkodean aman untuk agen pengkodean AI. Pada bulan Mei, mereka menerbitkan Foundry Security Spec, sebuah cetak biru terbuka untuk membangun sistem evaluasi keamanan agen. Antares memperluas bidang pekerjaannya dengan memberikan model bobot terbuka yang dapat digunakan langsung ke tangan para praktisi.
Peluncuran ini juga dilakukan di tengah meningkatnya kekhawatiran mengenai risiko perangkat lunak terkait AI. Pada bulan yang sama Cisco menerbitkan Foundry Security Spec, Bloomberg melaporkan bahwa model Anthropic yang canggih memicu pertemuan darurat antara Menteri Keuangan Scott Bessent, Ketua Federal Reserve Jerome Powell, dan para eksekutif bank, yang menggarisbawahi betapa seriusnya regulator menangani implikasi keamanan dari sistem AI yang kuat.
Apa Artinya bagi Pengembang dan Tim Keamanan
Bagi organisasi yang ragu untuk mengadopsi analisis kode berbasis AI karena masalah biaya atau paparan data, Antares menawarkan jalan tengah. Karena modelnya berbobot terbuka dan cukup kecil untuk dijalankan pada perangkat keras sederhana, tim dapat menerapkannya di balik firewall mereka sendiri, mengaudit setiap panggilan inferensi tanpa membayar biaya per token ke penyedia cloud. Lisensi open-weight juga berarti peneliti dapat memeriksa, menyempurnakan, dan memperluas model untuk domain mereka sendiri.
Imbalannya adalah model kecil dikhususkan berdasarkan desain. Antares tidak akan membuat draf email pemasaran, merangkum pertemuan, atau menjawab pertanyaan pengetahuan umum. Tujuannya adalah untuk menemukan file yang tepat di mana kelas kerentanan yang diketahui mungkin bersembunyi, tampaknya kinerjanya lebih baik daripada model yang ukurannya ribuan kali lipat, setidaknya pada benchmark Cisco sendiri.
Apakah peneliti independen mengkonfirmasi hasil tersebut pada basis kode mereka sendiri akan menentukan seberapa luas Antares diadopsi. Untuk saat ini, peluncuran ini memperkuat pesan yang telah dibangun di industri AI sepanjang tahun: ketika tugasnya cukup sempit, maka yang lebih kecil bisa menjadi lebih cerdas, lebih murah, dan lebih aman.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
