Cisco Systems introducerade den 21 juli Antares, en familj av små språkmodeller byggda för att lokalisera exakt var kända säkerhetsbrister finns i en kodbas, och släppte de två första som öppna nedladdningar på Hugging Face. Lanseringen, täckt av SiliconANGLE, Axios och Help Net Security, markerar ett av de mest konkreta försöken hittills att föra in specialiserade små modeller i ett hörn av mjukvarusäkerhet som länge har varit långsam, dyr och beroende av mänskliga utredare.
Antares kommer från Cisco Foundation AI, företagets forsknings- och ingenjörsgrupp fokuserad på säkerhetsspecifik artificiell intelligens. Projektet tar itu med ett problem som kallas sårbarhetslokalisering, arbetet med att koppla extern sårbarhetsdata, såsom offentliga databaser, råd och Common Weakness Enumeration (CWE)-poster, till de specifika filerna i ett arkiv där ett fel med största sannolikhet uppstår. För att följa den senaste utvecklingen inom detta område, se vår AI-industritäckning.
Små modeller byggda för ett specifikt jobb
Två modeller finns tillgängliga nu: Antares-350M och Antares-1B, med en större Antares-3B-modell som kommer att följa. Alla är tillräckligt små för att köras lokalt, vilket Cisco sa låter säkerhetsteam behålla känslig källkod i sin egen miljö istället för att skicka den till en molntjänst. Det är ett anmärkningsvärt försäljningsargument för universitet, offentliga organ, ideella organisationer och mindre säkerhetsteam som saknar budget för tokentunga kommersiella gränsmodeller.
Istället för att skanna ett arkiv med fasta regler, arbetar Antares igenom det på det sätt som en mänsklig utredare skulle göra. Varje modell utgår från en sårbarhetsbeskrivning, söker efter relevanta kodmönster, läser kandidatfiler, viker in nya bevis allt eftersom, ändrar riktning när en väg inte leder någonstans och smalnar av mot filerna som mest sannolikt spelar roll. Utdata är en rankad lista över källfiler som sannolikt innehåller den relevanta sårbarheten, tillsammans med spårningen av terminalutforskningen som producerade den.
Ett anpassat benchmark och dramatiska kostnadsbesparingar
För att mäta modellerna byggde Cisco sitt eget test, Vulnerability Localization Benchmark, ett set med 500 poster som kräver en modell för att navigera i en obekant kodbas och känna igen sårbarhetsmönster kopplade till specifika svaghetskategorier. Cisco hävdade att befintliga riktmärken för kodsökning mäter om en agent kan hitta kod som är relevant för ett allmänt programvaruproblem, inte om den kan hitta sårbara filer från säkerhetsbeskrivningar. Det närmaste jämförbara arbetet företaget citerade är ett system kallat CodeScout, som visade att kodlokalisering kan tränas och mätas med en standard Unix-terminal.
På det riktmärket sa Cisco att Antares-modellerna slog ungefär ett dussin större modeller med öppen och sluten vikt när det gäller noggrannhet samtidigt som de körs mycket billigare. Företaget satte kostnaden för en Antares-utvärdering till under en dollar, mot ungefär 12,50 USD för den starkaste modellen med öppen vikt som det testade, GLM-5.2, och cirka 141 USD för den starkaste modellen med sluten källkod, GPT-5.5. Dessa siffror blir 15,2 gånger respektive 172 gånger billigare. Antares avslutade också benchmarkkörningar på ungefär en timme, jämfört med ungefär fyra och en halv timme för GPT-5.5.
Prestandagapet belyser en bredare branschtrend: för snävt definierade uppgifter kan noggrant utbildade små modeller matcha eller överträffa generella gränsmodeller till en bit av beräkningskostnaden. Som Axios rapporterade, satsar Cisco i praktiken på att mindre, specialbyggd AI kommer att vinna inom företagscybersäkerhet, där team bryr sig mer om tillförlitlighet, kostnad och datasekretess än råmodellstorlek.
Del av en bredare säkerhets-AI Push
Antares är den senaste delen av en bredare Cisco-satsning kring AI inom säkerhet. I oktober släppte företaget Project CodeGuard, ett ramverk med öppen källkod med regler för säker kodning för AI-kodningsagenter. I maj publicerade den Foundry Security Spec, en öppen plan för att bygga agentiska säkerhetsutvärderingssystem. Antares utökar den arbetslinjen genom att lägga en användbar modell med öppen vikt direkt i händerna på utövare.
Releasen kommer också mitt i växande oro för AI-relaterade programvarurisker. Samma månad som Cisco publicerade Foundry Security Spec, rapporterade Bloomberg att en avancerad antropisk modell utlöste ett nödmöte mellan finansminister Scott Bessent, Federal Reserve-ordförande Jerome Powell och bankchefer, vilket understryker hur seriöst tillsynsmyndigheter behandlar säkerhetskonsekvenserna av kraftfulla AI-system.
Vad det betyder för utvecklare och säkerhetsteam
För organisationer som har tvekat att använda AI-driven kodanalys på grund av kostnads- eller dataexponeringsproblem erbjuder Antares en medelväg. Eftersom modellerna har öppen vikt och tillräckligt små för att köras på blygsam hårdvara, kan team distribuera dem bakom sina egna brandväggar och granska varje slutledningssamtal utan att betala per token-avgifter till en molnleverantör. Den öppna licensen innebär också att forskare kan inspektera, finjustera och utöka modellerna för sina egna domäner.
Avvägningen är att små modeller är specialiserade genom design. Antares kommer inte att skriva ett marknadsföringsmail, sammanfatta ett möte eller svara på en allmän kunskapsfråga. Vad den är byggd för att göra, lokalisera de exakta filerna där en känd klass av sårbarhet sannolikt gömmer sig, den verkar klara sig bättre än modeller som är tusen gånger sin storlek, åtminstone enligt Ciscos eget riktmärke.
Huruvida oberoende forskare bekräftar dessa resultat på sina egna kodbaser kommer att avgöra hur brett Antares antas. För nu förstärker lanseringen ett budskap som har byggts upp i AI-branschen hela året: när uppgiften är tillräckligt smal kan mindre vara smartare, billigare och säkrare.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
