思科今日正式發佈了Antares系列安全小語言模型（SLM），這一系列模型專門用於解決網絡安全領域中最棘手、最耗時且成本最高的問題之一——在龐大的代碼庫中精確定位已知漏洞。目前，Antares系列包括350M參數和1B參數兩個模型，均已作為開源權重模型在Hugging Face平台上發佈，供全球安全社區免費使用。
根據思科公佈的基準測試結果，Antares模型在漏洞定位任務上的表現超越了包括GPT-4、Claude 3.5 Sonnet在內的多個大型閉源和開源模型，而推理成本僅為這些大型模型的十分之一甚至更低。更關鍵的是，這些模型足夠緊湊，可以在本地硬件上運行，從而避免了將敏感代碼庫上傳到雲端的安全風險。
Antares的發佈並非孤立事件。思科同時推出了三項配套資源：開源規範Foundry Security Spec（用於構建可審計的安全AI評估系統）、安全編碼指南CodeGuard（提供安全默認規則），以及全新的漏洞定位基準測試集（Vulnerability Localization Benchmark）。思科希望藉助這些工具，定義實用且值得信賴的AI安全工具標準，培育企業採用AI安全工具的生態系統。
安全檢測的困境與Antares的設計理念
軟件安全的核心挑戰在於將外部漏洞知識（如CVE數據庫、安全公告、通用弱點枚舉CWE）與內部代碼精準關聯。然而，代碼庫規模龐大、安全信號混雜、證據分散，導致人工分析效率低下。同時，許多組織缺乏部署大規模AI模型所需的計算資源和預算。Antares正是針對這兩大痛點設計。
Antares模型採用迭代搜索模式，模擬人類安全分析師的工作流程：從漏洞描述出發，主動搜索相關代碼模式，讀取候選文件，整合新證據，根據反饋調整方向，最終鎖定最可能包含漏洞的源文件。這種設計源於思科基金會AI團隊的開拓性研究，證明了緊湊型模型可以通過學習搜索策略來執行有效的代碼檢索，而不僅僅依賴模型規模。
實際應用場景
在實際部署中，Antares可以支持多種安全工作流，包括：在代碼倉庫快照中定位與特定CWE類別相關的文件；對安全公告驅動的調查進行初步分類；增強靜態分析工具的模型驅動倉庫探索；在CI/CD流水線中優先審查可疑文件；以及在高隱私合規環境中執行本地安全分析。
Antares輸出一個按可能性排序的源文件列表，並附帶導致該結果的終端探索軌跡。安全團隊可以據此優先安排人工審查，但思科強調，Antares並非要取代完整的應用安全工具鏈——依賴分析、秘密掃描、動態測試、基礎設施檢查、威脅建模和人工複審仍不可或缺。
開源的意義與專家評價
思科選擇開源Antares模型，是因為安全社區需要更易獲取的模塊化工具來構建實際的防禦體系。漏洞分類工作成本高昂，尤其對於大學、研究機構、非營利組織和公共部門團隊而言，資源限制更為突出。開源模式降低了使用門檻，使更多機構能夠受益於AI輔助安全分析。
新加坡國立大學計算機科學副教授Reza Shokri表示：“軟件總是帶着漏洞發佈，大量遺留代碼仍暗含缺陷。AI正從兩方面推動問題：代理撰寫更多代碼，同時也越來越擅長利用漏洞。這使得廉價、持續的驗證成為一種必須靠近代碼環路的控制手段。Antares-1B就是一個很好的例子：它能識別展示給它的代碼中的漏洞，覆蓋多種弱點類別和編程語言。”
斯坦福大學管理科學與工程教授Amin Saberi評論道：“安全不應是奢侈品，但先進的AI檢測此前主要屬於擁有前沿預算的組織。Antares改變了這一格局：以極低的價格實現接近前沿的準確率，足夠快到可在每次提交時運行。當攻擊者已經在使用AI時，這種效率不是錦上添花，而是每個團隊實現全天候安全掃描的必要條件。”
未來展望
Antares是思科在負責任AI安全應用方面的更廣泛努力的一部分。思科認為，AI在安全領域的應用必須從令人印象深刻的單次演示轉向可評估、可治理、可持續改進的系統。通過Foundry Security Spec提供框架，CodeGuard提升預防底線，Antares降低定位成本，三者共同為AI輔助防禦構建更堅實的基礎：開放的規範、可複用的安全知識、緊湊可部署的模型，以及可量化的基準。
感興趣的用户可以訪問Hugging Face頁面下載模型，查閲模型卡，或閲讀技術論文了解更多基準和評估方法。