Cisco Systems vào ngày 21 tháng 7 đã giới thiệu Antares, một nhóm mô hình ngôn ngữ nhỏ được xây dựng để xác định chính xác vị trí của các lỗ hổng bảo mật đã biết bên trong cơ sở mã và đã phát hành hai phiên bản đầu tiên dưới dạng bản tải xuống dung lượng mở trên Hugging Face. Sự ra mắt, được thực hiện bởi SiliconANGLE, Axios và Help Net Security, đánh dấu một trong những nỗ lực cụ thể nhất nhằm đưa các mô hình nhỏ chuyên dụng vào một góc bảo mật phần mềm vốn từ lâu đã chậm chạp, tốn kém và phụ thuộc vào các nhà điều tra con người.

Antares đến từ Cisco Foundation AI, nhóm nghiên cứu và kỹ thuật của công ty tập trung vào trí tuệ nhân tạo dành riêng cho bảo mật. Dự án giải quyết một vấn đề được gọi là bản địa hóa lỗ hổng, công việc kết nối dữ liệu về lỗ hổng bên ngoài, chẳng hạn như cơ sở dữ liệu công cộng, tư vấn và các mục nhập Bảng liệt kê điểm yếu chung (CWE), với các tệp cụ thể trong kho lưu trữ nơi lỗ hổng có nhiều khả năng tồn tại nhất. Để theo dõi những phát triển mới nhất trong lĩnh vực này, hãy xem thông tin về ngành AI của chúng tôi.

Mô hình nhỏ được xây dựng cho một công việc cụ thể

Hiện có sẵn hai mẫu: Antares-350M và Antares-1B, sau đó sẽ có mẫu Antares-3B lớn hơn. Tất cả đều đủ nhỏ để chạy cục bộ, Cisco cho biết điều này cho phép các nhóm bảo mật giữ mã nguồn nhạy cảm trong môi trường của riêng họ thay vì gửi nó đến dịch vụ đám mây. Đó là điểm bán hàng đáng chú ý đối với các trường đại học, cơ quan khu vực công, tổ chức phi lợi nhuận và các nhóm bảo mật nhỏ hơn thiếu ngân sách cho các mô hình biên giới thương mại nặng về mã thông báo.

Thay vì quét kho lưu trữ với các quy tắc cố định, Antares xử lý nó theo cách mà một nhà điều tra con người sẽ làm. Mỗi mô hình bắt đầu từ phần mô tả lỗ hổng, tìm kiếm các mẫu mã có liên quan, đọc các tệp ứng cử viên, thu thập bằng chứng mới khi nó di chuyển, thay đổi hướng khi một đường dẫn không dẫn đến đâu và thu hẹp về các tệp có nhiều khả năng quan trọng nhất. Đầu ra là danh sách xếp hạng các tệp nguồn có khả năng chứa lỗ hổng liên quan, cùng với dấu vết thăm dò thiết bị đầu cuối đã tạo ra lỗ hổng đó.

Điểm chuẩn tùy chỉnh và tiết kiệm chi phí đáng kể

Để đo lường các mô hình, Cisco đã xây dựng thử nghiệm của riêng mình, Điểm chuẩn bản địa hóa lỗ hổng, một bộ gồm 500 mục yêu cầu một mô hình để điều hướng một cơ sở mã lạ và nhận ra các mẫu lỗ hổng gắn liền với các danh mục điểm yếu cụ thể. Cisco lập luận rằng các điểm chuẩn tìm kiếm mã hiện tại đo lường liệu một tác nhân có thể tìm thấy mã liên quan đến một sự cố phần mềm chung hay không, chứ không phải liệu nó có thể xác định được các tệp dễ bị tổn thương từ các mô tả bảo mật hay không. Công trình có thể so sánh gần nhất mà công ty trích dẫn là một hệ thống có tên CodeScout, cho thấy rằng việc bản địa hóa mã có thể được đào tạo và đo lường bằng một thiết bị đầu cuối Unix tiêu chuẩn.

Trên tiêu chuẩn đó, Cisco cho biết các mô hình Antares đánh bại khoảng chục mô hình trọng lượng mở và trọng lượng đóng lớn hơn về độ chính xác trong khi chạy rẻ hơn nhiều. Công ty đặt chi phí đánh giá Antares ở mức dưới 1 đô la, so với khoảng 12,50 đô la cho mô hình có trọng lượng mở mạnh nhất mà nó đã thử nghiệm, GLM-5.2 và khoảng 141 đô la cho mô hình nguồn đóng mạnh nhất, GPT-5.5. Những con số đó rẻ hơn lần lượt là 15,2 lần và 172 lần. Antares cũng hoàn thành việc chạy điểm chuẩn trong khoảng một giờ, so với khoảng bốn giờ rưỡi của GPT-5.5.

Khoảng cách về hiệu suất làm nổi bật xu hướng rộng hơn của ngành: đối với các nhiệm vụ được xác định trong phạm vi hẹp, các mô hình nhỏ được đào tạo cẩn thận có thể phù hợp hoặc vượt quá các mô hình biên giới có mục đích chung với chi phí tính toán rất thấp. Như Axios đã báo cáo, Cisco đang đặt cược một cách hiệu quả rằng AI nhỏ hơn, được xây dựng có mục đích sẽ giành chiến thắng trong an ninh mạng doanh nghiệp, nơi các nhóm quan tâm nhiều hơn đến độ tin cậy, chi phí và quyền riêng tư dữ liệu hơn là kích thước mô hình thô.

Một phần của nỗ lực thúc đẩy AI bảo mật rộng hơn

Antares là phần mới nhất trong nỗ lực rộng lớn hơn của Cisco về AI trong lĩnh vực bảo mật. Vào tháng 10, công ty đã phát hành Project CodeGuard, một khung mã nguồn mở chứa các quy tắc mã hóa an toàn dành cho các tác nhân mã hóa AI. Vào tháng 5, họ đã xuất bản Thông số bảo mật của Foundry, một bản thiết kế mở để xây dựng các hệ thống đánh giá bảo mật tác nhân. Antares mở rộng dòng công việc đó bằng cách đặt trực tiếp một mô hình trọng lượng mở, có thể sử dụng được vào tay những người thực hành.

Bản phát hành cũng được đưa ra trong bối cảnh mối lo ngại ngày càng tăng về rủi ro phần mềm liên quan đến AI. Cùng tháng Cisco công bố Thông số bảo mật của Foundry, Bloomberg đưa tin rằng một mô hình Anthropic tiên tiến đã kích hoạt một cuộc họp khẩn cấp giữa Bộ trưởng Tài chính Scott Bessent, Chủ tịch Cục Dự trữ Liên bang Jerome Powell và các giám đốc điều hành ngân hàng, nhấn mạnh mức độ nghiêm túc của các cơ quan quản lý đối với các tác động bảo mật của các hệ thống AI mạnh mẽ.

Ý nghĩa của nó đối với Nhà phát triển và Nhóm bảo mật

Đối với các tổ chức do dự trong việc áp dụng phân tích mã dựa trên AI vì lo ngại về chi phí hoặc khả năng tiếp xúc với dữ liệu, Antares đưa ra một con đường trung gian. Vì các mô hình có trọng lượng mở và đủ nhỏ để chạy trên phần cứng khiêm tốn nên các nhóm có thể triển khai chúng sau tường lửa của riêng họ, kiểm tra mọi lệnh gọi suy luận mà không phải trả phí cho mỗi mã thông báo cho nhà cung cấp đám mây. Việc cấp phép trọng lượng mở cũng có nghĩa là các nhà nghiên cứu có thể kiểm tra, tinh chỉnh và mở rộng các mô hình cho lĩnh vực riêng của họ.

Sự đánh đổi là các mô hình nhỏ được thiết kế chuyên biệt. Antares sẽ không soạn thảo email tiếp thị, tóm tắt cuộc họp hoặc trả lời câu hỏi kiến ​​thức chung. Những gì nó được xây dựng để làm, xác định vị trí các tệp chính xác nơi có khả năng ẩn một loại lỗ hổng đã biết, nó dường như hoạt động tốt hơn các mô hình có kích thước gấp hàng nghìn lần, ít nhất là trên điểm chuẩn của chính Cisco.

Liệu các nhà nghiên cứu độc lập có xác nhận những kết quả đó trên cơ sở mã riêng của họ hay không sẽ quyết định mức độ áp dụng Antares rộng rãi. Hiện tại, sự ra mắt này củng cố một thông điệp đã được xây dựng trong ngành AI suốt cả năm: khi nhiệm vụ đủ hẹp, nhỏ hơn có thể thông minh hơn, rẻ hơn và an toàn hơn.

---

Đi trước AI

Nhận tin tức, phân tích và đột phá mới nhất về AI — tất cả ở cùng một nơi.

Đọc thêm tin tức về AI →