シスコ財団AI、Antares公開：350Mおよび1Bパラメータのオープンウェイトモデルで既知の脆弱性を実コードベース内で特定

シスコ財団AIは、脆弱性特定という狭いセキュリティタスクに特化した小型言語モデル「Antares」シリーズを公開しました。このモデルは脆弱性の説明とリポジトリを受け取り、欠陥を含むファイルを特定します。現在、Antares-350MとAntares-1Bの2モデルがHugging Face上でApache 2.0ライセンスで公開されており、評価用ベンチマーク「VLoc Bench」も同時にリリースされました。

Antaresの主な成果は、10億パラメータのモデルが0.209のFile F1スコアを達成したことです。比較として、GPT-5.5は0.229、753Bパラメータのオープンモデル（GLM-5.2）は0.186でした。これは、タスク特化のトレーニングがパラメータ規模を凌駕することを示しています。

このモデルは、ソフトウェアセキュリティにおける脆弱性知識とソースコードの接続という課題に対処します。開発者は不慣れなコードベースで検索し、命名規則を追跡し、コールパスを調査する必要があり、この初期トリアージ段階にコストが集中しています。Antaresはこの初期段階を自動化することを目的としていますが、シスコはこれがアプリケーションセキュリティツールチェーン全体を置き換えるものではないと明言しています。

モデルアーキテクチャはIBM Granite 4.0チェックポイントから初期化されたデコーダーオンリートランスフォーマーで、グループ化クエリアテンション、SwiGLU MLP、RMSNorm、RoPE、共有入出力埋め込みを採用しています。Antares-350Mと1Bは公開されていますが、最強の3Bバージョンはまだ未公開です。

評価では、Antaresは制約されたエージェントループ内で動作します。CWEカテゴリの説明のみを受け取り、Dockerサンドボックスに対して最大15回の端末コマンドを発行し、最終的に脆弱性のあるファイルのランキングリストを提出します。VLoc Benchは290の実リポジトリから派生した500タスクを含み、6エコシステムと147のCWEカテゴリをカバーしています。フェーズAでは脆弱なスナップショットでのFile F1を、フェーズBでは修正されたスナップショットでの真陰性率を評価します。

結果は、タスク特化トレーニングがパラメータ規模よりも重要であることを示しています。Antares-3Bは0.223のFile F1を達成しGPT-5.5（0.229）に迫り、Antares-1Bは0.209で753BのGLM-5.2（0.186）を上回りました。最小のAntares-350Mでも0.135で、Gemma-4-31B（0.101）やGemini 2.5 Flash（0.102）を超えています。

特筆すべきは、未トレーニングのGranite 4.0ベースチェックポイントは同一プロトコルでほぼゼロのスコア（0.001、0.000、0.000）であり、能力のほとんどが事後学習に由来することです。教師ありファインチューニング（SFT）がスコアを0.108～0.198に引き上げ、GRPOがさらに11～25%の向上と、実行間の標準偏差を42～65%削減します。GRPOは検証可能な報酬を軌跡テキストからプログラム的に計算し、学習された報酬モデルは使用しません。

展開コストは非常に低く、1台のH100で500タスクのフルスイープを約13分で実行でき、コストは1ドル未満です。これに対しGPT-5.5は141ドル、GLM-5.2は12.50ドルかかります。この効率性により、AntaresはCIパイプラインでの繰り返しセキュリティスキャンに適しています。

ただし、最強のAntares-3Bは未公開であり、フェーズBの誤報率の数値も公表されていないため、実際の展開にはさらなる検証が必要です。