思科基金会AI发布Antares：350M和1B开源模型精准定位实际代码库中的已知漏洞

思科基金会AI近日发布了Antares系列小型安全语言模型，该系列模型专注于一项狭窄的安全任务——漏洞定位。给定一个漏洞描述和一个代码仓库，模型需要找出包含该漏洞的文件。目前，Antares-350M和Antares-1B两个模型已在Hugging Face上以Apache 2.0许可开源，同时发布的还有用于评估的VLoc Bench基准测试集。

Antares模型的核心成果并非创造新的最佳性能，而是展示了一个仅有10亿参数的模型能够达到0.209的文件F1分数。作为对比，GPT-5.5得分为0.229，而一个753B参数的开源模型得分仅为0.186。这意味着，通过针对性训练，小模型可以在特定任务上超越大规模通用模型。

该模型的设计针对安全团队在漏洞定位中的痛点：将外部漏洞知识（如CVE、CWE）与内部源代码连接起来是一项昂贵且耗时的过程。开发人员需要在不熟悉的代码库中搜索，追踪调用路径，比较候选文件。Antares旨在承担这一初始层析步骤，但思科明确表示，它并不能取代完整的应用安全工具链，包括依赖扫描、秘密扫描、动态测试、容器检查、威胁建模和专家审查等。

模型架构方面，Antares基于IBM Granite 4.0的检查点初始化，采用分组查询注意力、SwiGLU MLP、RMSNorm、旋转位置编码和共享输入/输出嵌入。其中Antares-350M和1B已经开源，而最强的Antares-3B版本尚未发布。

在评估过程中，Antares在一个受限的代理循环中运行：接收CWE类别描述后，模型最多可以通过15次终端命令与Docker沙箱交互，最后提交一个排序的文件路径列表。VLoc Bench基准包含来自290个真实仓库的500个任务，覆盖6个生态系统和147个CWE类别，其中78%的任务具有CVE编号。测试分为两个阶段：阶段A评估模型在漏洞快照上的文件F1；阶段B评估模型在已修复快照上的真阴性率，以避免误报。

结果显示，任务特定训练比参数规模更重要。Antares-3B达到0.223文件F1，接近GPT-5.5的0.229；Antares-1B达到0.209，高于753B的GLM-5.2（0.186）；甚至最小的Antares-350M也以0.135超过了Gemma-4-31B（0.101）和Gemini 2.5 Flash（0.102）。相比之下，静态分析工具如Semgrep、CodeQL和Horusec的得分分别为0.086、0.023和0.020。

特别值得注意的是，未经训练的Granite 4.0基础检查点在相同协议下的得分几乎为零（0.001、0.000、0.000），这表明几乎所有的能力都来自后训练过程。监督微调（SFT）将性能提升至0.108-0.198，而群体相对策略优化（GRPO）进一步带来11%-25%的提升，并将运行间标准差降低42%-65%。GRPO使用可验证的奖励函数，从轨迹文本中程序化计算，无需学习奖励模型。

部署成本是另一个亮点：在单块H100上，完成完整的500任务测试大约需要13分钟，成本不到1美元。相比之下，GPT-5.5需要141美元，GLM-5.2需要12.5美元。这使得Antares非常适合于持续集成流水线中的重复安全检查。

然而，思科也指出了一些限制：最强的Antares-3B尚未发布，并且Antares模型没有公开阶段B的误报数字，这意味着在实际部署前需要进一步验证其可靠性。