Cisco Systems 21 Juli ngenalaken Antares, kulawarga model basa cilik sing dibangun kanggo nemtokake persis ing ngendi kerentanan keamanan sing dikenal dumunung ing basis kode, lan ngeculake loro pisanan minangka undhuhan bobot mbukak ing Hugging Face. Peluncuran kasebut, sing diliputi dening SiliconANGLE, Axios, lan Help Net Security, nandhani salah sawijining upaya paling konkrit kanggo nggawa model cilik khusus menyang pojok keamanan piranti lunak sing wis suwe alon, larang, lan gumantung marang penyidik manungsa.
Antares asale saka Cisco Foundation AI, grup riset lan teknik perusahaan sing fokus ing intelijen buatan khusus keamanan. Proyek kasebut ngatasi masalah sing dikenal minangka lokalisasi kerentanan, karya nyambungake data kerentanan eksternal, kayata database umum, saran, lan entri Common Weakness Enumeration (CWE), menyang file tartamtu ing repositori sing paling mungkin ana cacat. Kanggo ngetutake perkembangan paling anyar ing papan iki, deleng liputan industri AI.
Model Cilik Dibangun kanggo Proyek Tertentu
Rong model saiki kasedhiya: Antares-350M lan Antares-1B, kanthi model Antares-3B sing luwih gedhe amarga bakal diterusake. Kabeh cukup cilik kanggo mbukak sacara lokal, sing ujare Cisco ngidini tim keamanan njaga kode sumber sing sensitif ing lingkungane dhewe tinimbang ngirim menyang layanan maya. Iki minangka titik sade sing misuwur kanggo universitas, badan sektor publik, organisasi nirlaba, lan tim keamanan cilik sing ora duwe anggaran kanggo model perbatasan komersial sing abot.
Tinimbang mindhai repositori kanthi aturan tetep, Antares nglakokake cara kasebut kaya sing ditindakake dening peneliti manungsa. Saben model diwiwiti saka katrangan kerentanan, nggoleki pola kode sing cocog, maca file calon, lempitan ing bukti anyar nalika mlaku, ngganti arah nalika ana dalan ora ana, lan sempit menyang file sing paling penting. Output minangka dhaptar peringkat file sumber sing kemungkinan ngemot kerentanan sing cocog, bebarengan karo jejak eksplorasi terminal sing ngasilake.
Benchmark Kustom lan Ngirit Biaya Dramatis
Kanggo ngukur model, Cisco mbangun test dhewe, Vulnerability Localization Benchmark, set 500-entri sing mbutuhake model kanggo navigasi basis kode ora pati ngerti lan ngenali pola kerentanan disambungake menyang kategori kekirangan tartamtu. Cisco mbantah manawa benchmark telusuran kode sing ana ngukur manawa agen bisa nemokake kode sing cocog karo masalah piranti lunak umum, dudu manawa bisa nemokake file sing rawan saka deskripsi keamanan. Karya sing bisa dibandhingake sing paling cedhak sing dikutip perusahaan yaiku sistem sing diarani CodeScout, sing nuduhake lokalisasi kode bisa dilatih lan diukur nganggo terminal Unix standar.
Ing pathokan kasebut, Cisco ujar manawa model Antares ngalahake kira-kira rolas model mbukak lan ditutup kanthi akurasi nalika mlaku luwih murah. Perusahaan kasebut ngetrapake biaya evaluasi Antares ing sangisore siji dolar, nglawan kira-kira $12.50 kanggo model bobot mbukak paling kuat sing diuji, GLM-5.2, lan udakara $141 kanggo model sumber tertutup paling kuat, GPT-5.5. Angka kasebut bisa dadi 15,2 kaping lan 172 kaping luwih murah. Antares uga rampung benchmark mlaku ing babagan jam, dibandhingake karo kira-kira patang jam setengah kanggo GPT-5.5.
Kesenjangan kinerja nyorot tren industri sing luwih jembar: kanggo tugas sing ditetepake kanthi sempit, model cilik sing dilatih kanthi teliti bisa cocog utawa ngluwihi model wates tujuan umum kanthi biaya komputasi. Kaya sing dilaporake Axios, Cisco kanthi efektif nggawe taruhan AI sing luwih cilik lan dibangun kanthi tujuan bakal menang ing cybersecurity perusahaan, ing ngendi tim luwih peduli babagan linuwih, biaya, lan privasi data tinimbang ukuran model mentah.
Bagéyan saka Push AI Keamanan sing Luwih Luas
Antares minangka bagean paling anyar saka gaweyan Cisco sing luwih akeh ing babagan keamanan AI. Ing wulan Oktober, perusahaan kasebut ngeculake Project CodeGuard, kerangka open-source aturan kode aman kanggo agen coding AI. Ing wulan Mei, nerbitake Foundry Security Spec, cithak biru mbukak kanggo mbangun sistem evaluasi keamanan agen. Antares ngluwihi garis kerja kasebut kanthi nyelehake model bobot mbukak sing bisa digunakake langsung menyang tangan praktisi.
Rilis kasebut uga teka ing tengah-tengah prihatin babagan risiko piranti lunak sing gegandhengan karo AI. Ing wulan sing padha, Cisco nerbitake Foundry Security Spec, Bloomberg nglaporake manawa model Anthropic sing canggih nyebabake rapat darurat antarane Sekretaris Perbendaharaan Scott Bessent, Ketua Federal Reserve Jerome Powell, lan eksekutif bank, sing negesake kepiye regulator serius ngobati implikasi keamanan sistem AI sing kuat.
Apa Tegese kanggo Pangembang lan Tim Keamanan
Kanggo organisasi sing ragu-ragu nggunakake analisis kode sing didorong AI amarga masalah biaya utawa pajanan data, Antares nawakake dalan tengah. Amarga model kasebut bobote mbukak lan cukup cilik kanggo digunakake ing piranti keras sing sederhana, tim bisa nyebarake ing mburi firewall dhewe, mriksa saben telpon inferensi tanpa mbayar biaya saben token menyang panyedhiya maya. Lisensi mbukak-bobot uga ateges peneliti bisa mriksa, fine-tune, lan ngluwihi model kanggo domain dhewe.
Trade-off yaiku model cilik sing dikhususake kanthi desain. Antares ora bakal ngrancang email marketing, ngringkes rapat, utawa njawab pitakonan pengetahuan umum. Apa iku dibangun kanggo nindakake, nemokake file pas ngendi kelas dikenal saka kerentanan kamungkinan ndhelikake, katon luwih apik tinimbang model kaping ewu ukuran sawijining, paling ing benchmark Cisco dhewe.
Apa peneliti independen ngonfirmasi asil kasebut ing basis kode dhewe bakal nemtokake manawa Antares diadopsi. Saiki, peluncuran kasebut nguatake pesen sing wis dibangun ing industri AI kabeh taun: nalika tugas cukup sempit, luwih cilik bisa dadi luwih pinter, luwih murah, lan luwih aman.
---
Tetep Ahead of AIEntuk warta, analisis, lan terobosan AI paling anyar - kabeh ing sak panggonan.
Waca liyane AI warta →
