思科推出Antares：高效开源模型助力漏洞定位

思科今日正式发布了Antares系列安全小语言模型（SLM），这一系列模型专门用于解决网络安全领域中最棘手、最耗时且成本最高的问题之一——在庞大的代码库中精确定位已知漏洞。目前，Antares系列包括350M参数和1B参数两个模型，均已作为开源权重模型在Hugging Face平台上发布，供全球安全社区免费使用。

根据思科公布的基准测试结果，Antares模型在漏洞定位任务上的表现超越了包括GPT-4、Claude 3.5 Sonnet在内的多个大型闭源和开源模型，而推理成本仅为这些大型模型的十分之一甚至更低。更关键的是，这些模型足够紧凑，可以在本地硬件上运行，从而避免了将敏感代码库上传到云端的安全风险。

Antares的发布并非孤立事件。思科同时推出了三项配套资源：开源规范Foundry Security Spec（用于构建可审计的安全AI评估系统）、安全编码指南CodeGuard（提供安全默认规则），以及全新的漏洞定位基准测试集（Vulnerability Localization Benchmark）。思科希望借助这些工具，定义实用且值得信赖的AI安全工具标准，培育企业采用AI安全工具的生态系统。

安全检测的困境与Antares的设计理念

软件安全的核心挑战在于将外部漏洞知识（如CVE数据库、安全公告、通用弱点枚举CWE）与内部代码精准关联。然而，代码库规模庞大、安全信号混杂、证据分散，导致人工分析效率低下。同时，许多组织缺乏部署大规模AI模型所需的计算资源和预算。Antares正是针对这两大痛点设计。

Antares模型采用迭代搜索模式，模拟人类安全分析师的工作流程：从漏洞描述出发，主动搜索相关代码模式，读取候选文件，整合新证据，根据反馈调整方向，最终锁定最可能包含漏洞的源文件。这种设计源于思科基金会AI团队的开拓性研究，证明了紧凑型模型可以通过学习搜索策略来执行有效的代码检索，而不仅仅依赖模型规模。

实际应用场景

在实际部署中，Antares可以支持多种安全工作流，包括：在代码仓库快照中定位与特定CWE类别相关的文件；对安全公告驱动的调查进行初步分类；增强静态分析工具的模型驱动仓库探索；在CI/CD流水线中优先审查可疑文件；以及在高隐私合规环境中执行本地安全分析。

Antares输出一个按可能性排序的源文件列表，并附带导致该结果的终端探索轨迹。安全团队可以据此优先安排人工审查，但思科强调，Antares并非要取代完整的应用安全工具链——依赖分析、秘密扫描、动态测试、基础设施检查、威胁建模和人工复审仍不可或缺。

开源的意义与专家评价

思科选择开源Antares模型，是因为安全社区需要更易获取的模块化工具来构建实际的防御体系。漏洞分类工作成本高昂，尤其对于大学、研究机构、非营利组织和公共部门团队而言，资源限制更为突出。开源模式降低了使用门槛，使更多机构能够受益于AI辅助安全分析。

新加坡国立大学计算机科学副教授Reza Shokri表示：“软件总是带着漏洞发布，大量遗留代码仍暗含缺陷。AI正从两方面推动问题：代理撰写更多代码，同时也越来越擅长利用漏洞。这使得廉价、持续的验证成为一种必须靠近代码环路的控制手段。Antares-1B就是一个很好的例子：它能识别展示给它的代码中的漏洞，覆盖多种弱点类别和编程语言。”

斯坦福大学管理科学与工程教授Amin Saberi评论道：“安全不应是奢侈品，但先进的AI检测此前主要属于拥有前沿预算的组织。Antares改变了这一格局：以极低的价格实现接近前沿的准确率，足够快到可在每次提交时运行。当攻击者已经在使用AI时，这种效率不是锦上添花，而是每个团队实现全天候安全扫描的必要条件。”

未来展望

Antares是思科在负责任AI安全应用方面的更广泛努力的一部分。思科认为，AI在安全领域的应用必须从令人印象深刻的单次演示转向可评估、可治理、可持续改进的系统。通过Foundry Security Spec提供框架，CodeGuard提升预防底线，Antares降低定位成本，三者共同为AI辅助防御构建更坚实的基础：开放的规范、可复用的安全知识、紧凑可部署的模型，以及可量化的基准。

感兴趣的用户可以访问Hugging Face页面下载模型，查阅模型卡，或阅读技术论文了解更多基准和评估方法。