Cisco Systems introduceerde op 21 juli Antares, een familie van kleine taalmodellen die zijn gebouwd om precies aan te geven waar bekende beveiligingsproblemen zich in een codebase bevinden, en bracht de eerste twee uit als open-weight downloads op Hugging Face. De lancering, gedekt door SiliconANGLE, Axios en Help Net Security, markeert een van de meest concrete pogingen tot nu toe om gespecialiseerde kleine modellen in een hoek van softwarebeveiliging te brengen die lange tijd traag en duur is geweest en afhankelijk was van menselijke onderzoekers.

Antares komt van Cisco Foundation AI, de onderzoeks- en engineeringgroep van het bedrijf die zich richt op beveiligingsspecifieke kunstmatige intelligentie. Het project pakt een probleem aan dat bekend staat als kwetsbaarheidslokalisatie, het verbinden van externe kwetsbaarheidsgegevens, zoals openbare databases, adviezen en Common Weakness Enumeration (CWE)-vermeldingen, met de specifieke bestanden in een repository waar de kans het grootst is dat er een fout aanwezig is. Om de laatste ontwikkelingen op dit gebied te volgen, zie onze AI-industrieverslaggeving.

Kleine modellen gebouwd voor een specifieke taak

Er zijn nu twee modellen beschikbaar: Antares-350M en Antares-1B, en een groter Antares-3B-model zal binnenkort volgen. Ze zijn allemaal klein genoeg om lokaal te draaien, waardoor beveiligingsteams volgens Cisco gevoelige broncode binnen hun eigen omgeving kunnen houden in plaats van deze naar een cloudservice te sturen. Dat is een opmerkelijk verkoopargument voor universiteiten, overheidsinstanties, non-profitorganisaties en kleinere beveiligingsteams die niet over het budget beschikken voor symbolische commerciële grensmodellen.

In plaats van een repository met vaste regels te scannen, werkt Antares er doorheen zoals een menselijke onderzoeker dat zou doen. Elk model vertrekt van een beschrijving van de kwetsbaarheid, zoekt naar relevante codepatronen, leest kandidaat-bestanden, voegt gaandeweg nieuw bewijsmateriaal toe, verandert van richting wanneer een pad nergens heen leidt, en beperkt zich tot de bestanden die er waarschijnlijk toe doen. De uitvoer is een gerangschikte lijst met bronbestanden die waarschijnlijk de relevante kwetsbaarheid bevatten, samen met de terminalexploratietrace die deze heeft veroorzaakt.

Een maatstaf op maat en dramatische kostenbesparingen

Om de modellen te meten heeft Cisco zijn eigen test ontwikkeld, de Vulnerability Localization Benchmark, een set van 500 items die een model vereist om door een onbekende codebase te navigeren en kwetsbaarheidspatronen te herkennen die verband houden met specifieke zwaktecategorieën. Cisco voerde aan dat bestaande benchmarks voor het zoeken naar codes meten of een agent code kan vinden die relevant is voor een algemeen softwareprobleem, en niet of hij kwetsbare bestanden kan lokaliseren aan de hand van beveiligingsbeschrijvingen. Het meest vergelijkbare werk dat het bedrijf aanhaalde is een systeem genaamd CodeScout, waaruit bleek dat codelokalisatie kan worden getraind en gemeten met een standaard Unix-terminal.

Op basis van die benchmark zei Cisco dat de Antares-modellen ongeveer een dozijn grotere modellen met open en gesloten gewicht verslaan op het gebied van nauwkeurigheid, terwijl ze veel goedkoper zijn. Het bedrijf schatte de kosten van een Antares-evaluatie op minder dan één dollar, tegenover ongeveer $12,50 voor het sterkste open-weight model dat het testte, GLM-5.2, en ongeveer $141 voor het sterkste closed-source model, GPT-5.5. Die cijfers komen respectievelijk uit op 15,2 keer en 172 keer goedkoper. Antares voltooide ook benchmarkruns in ongeveer een uur, vergeleken met ongeveer vier en een half uur voor GPT-5.5.

De prestatiekloof benadrukt een bredere trend in de sector: voor nauwkeurig gedefinieerde taken kunnen zorgvuldig getrainde kleine modellen de grensmodellen voor algemene doeleinden evenaren of overtreffen tegen een fractie van de computerkosten. Zoals Axios meldde, gokt Cisco er effectief op dat kleinere, speciaal gebouwde AI zal winnen in de cyberbeveiliging van ondernemingen, waar teams meer waarde hechten aan betrouwbaarheid, kosten en gegevensprivacy dan aan de omvang van het ruwe model.

Onderdeel van een bredere AI-push op het gebied van beveiliging

Antares is het nieuwste onderdeel van een bredere Cisco-inspanning rond AI op het gebied van beveiliging. In oktober bracht het bedrijf Project CodeGuard uit, een open-source raamwerk van veilige coderingsregels voor AI-codeeragenten. In mei publiceerde het de Foundry Security Spec, een open blauwdruk voor het bouwen van agentische beveiligingsevaluatiesystemen. Antares breidt deze lijn van werk uit door een bruikbaar model met open gewicht rechtstreeks in de handen van beoefenaars te leggen.

De release komt ook voort uit de groeiende bezorgdheid over AI-gerelateerde softwarerisico's. In dezelfde maand dat Cisco de Foundry Security Spec publiceerde, meldde Bloomberg dat een geavanceerd antropisch model aanleiding gaf tot een spoedvergadering tussen minister van Financiën Scott Bessent, voorzitter van de Federal Reserve Jerome Powell en bankdirecteuren, wat onderstreepte hoe serieus toezichthouders omgaan met de veiligheidsimplicaties van krachtige AI-systemen.

Wat het betekent voor ontwikkelaars en beveiligingsteams

Voor organisaties die hebben geaarzeld om AI-gestuurde codeanalyses toe te passen vanwege de kosten of de blootstelling aan gegevens, biedt Antares een middenweg. Omdat de modellen open-weight zijn en klein genoeg om op bescheiden hardware te draaien, kunnen teams ze achter hun eigen firewalls inzetten en elke gevolgtrekking controleren zonder kosten per token aan een cloudprovider te betalen. De open-weight-licenties betekenen ook dat onderzoekers de modellen voor hun eigen domeinen kunnen inspecteren, verfijnen en uitbreiden.

De wisselwerking is dat kleine modellen gespecialiseerd zijn in ontwerp. Antares zal geen marketing-e-mail opstellen, een vergadering samenvatten of een algemene kennisvraag beantwoorden. Waar het voor is gebouwd, namelijk de precieze bestanden lokaliseren waar een bekende kwetsbaarheid zich waarschijnlijk schuilhoudt, lijkt het beter te doen dan modellen die duizend keer zo groot zijn, althans op basis van Cisco's eigen benchmark.

Of onafhankelijke onderzoekers deze resultaten op hun eigen codebases bevestigen, zal bepalen hoe breed Antares wordt toegepast. Voorlopig versterkt de lancering een boodschap die het hele jaar door de AI-industrie is verspreid: wanneer de taak beperkt genoeg is, kan kleiner slimmer, goedkoper en veiliger zijn.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →