思科发布用于漏洞检测的Antares AI模型

Antares不像linter那样扫描代码。思科训练该模型的行为更像一名安全调查员：根据漏洞描述在仓库中搜索相关模式，阅读看起来有希望的文件，并在线索中断时调整策略，逐步缩小范围，最终返回一份最可能包含缺陷的文件排序列表，并附上其探索路径^[1]。这种代理式搜索方式正是Antares胜过专为此任务构建工具的关键原因——在相同基准测试中，Antares-1B的召回率0.224远超Semgrep的0.086、CodeQL的0.023和Horusec的0.020^[2]。

规模对比同样惊人。在500项任务的漏洞定位基准测试中，10亿参数的Antares-1B取得了0.209的文件F1分数，优于Z.ai的7530亿参数GLM-5.2（0.186）——后者规模约为其750倍^[3]。Antares-1B底层架构相当常规，基于IBM Granite 4.0构建：40层、2048隐藏维度、分组查询注意力机制（16个查询头和4个键/值头），以及128K上下文窗口^[3]。这些设计并无特别之处——优势来自于将模型训练聚焦于单一任务，而非让通用模型顺带完成此任务。

最引人注目的是成本。Antares-1B在单个H100 GPU上以16个并行工作进程运行，可在约13至15分钟内完成全部500项任务的基准测试，耗资不到1美元——而GPT-5.5完成相同任务需要约五小时且花费超过100美元^[3][4]。换算为单次评估成本，Antares比GPT-5.5便宜约172倍（后者约141美元/次评估），比GLM-5.2便宜约15倍（后者约12.50美元/次评估）^[5]。

这一差距正是其核心卖点。思科明确指出，目标受益者不仅是其企业客户，还包括大学、公共部门机构、非营利组织以及从未能负担前沿模型预算进行持续代码扫描的小型安全团队^[6]。由于Antares可在本地运行，专有源代码无需离开组织自有设备，从而将数据主权论点融入成本优势之中——廉价与私密实为同一设计选择，而非两个独立功能。

Antares-350M和Antares-1B虽以Apache 2.0许可证发布，但实际从Hugging Face下载权重需经过申请流程，且思科仅批准经验证的网络安全防御者使用^[4][7]。这对思科宣传为“ democratizing 安全AI”的发布构成实质性限制：许可证声称任何人都可使用和修改模型，但实际门槛决定了思科决定谁可以率先尝试。

此外，思科完全保留了Antares-3B。与前两个较小模型不同，思科并未发布该系列中最大的模型，而是计划将其整合进自身的商业安全产品中^[4]。综合来看，这种准入控制与保留旗舰模型的做法表明，思科将开源权重视为一种受控的分发渠道，而非无条件的开放发布——这是一种介于完全封闭的前沿实验室与无附加条件的开源发布之间的中间路径。

思科对其模型的局限性异常坦率。该模型在超过10MB的仓库、需要理解程序行为而非模式匹配的语义漏洞，以及其训练截止日期（2025年4月10日）之后引入的问题上表现不佳^[3]。思科自身文档明确指出，任何部署都必须有人工监督和沙箱隔离，并将Antares定位为Semgrep和CodeQL等现有工具的补充，而非替代品^[3]。

这种谨慎态度也延伸至代理的运行方式。思科及外部评论员建议，任何探索代码库的AI代理都应以只读权限运行，无网络连接，严格限制路径，并完整记录审计日志^[2]——这提醒我们，即使是一个小型且廉价的模型，在真实仓库中执行shell命令仍存在代理执行风险，需独立于模型漏洞判断准确性之外设置防护措施。