思科基金會AI釋出Antares：350M和1B開源模型精準定位實際程式碼庫中的已知漏洞

思科基金會AI近日釋出了Antares系列小型安全語言模型，該系列模型專注於一項狹窄的安全任務——漏洞定位。給定一個漏洞描述和一個程式碼倉庫，模型需要找出包含該漏洞的檔案。目前，Antares-350M和Antares-1B兩個模型已在Hugging Face上以Apache 2.0許可開源，同時釋出的還有用於評估的VLoc Bench基準測試集。

Antares模型的核心成果並非創造新的最佳效能，而是展示了一個僅有10億引數的模型能夠達到0.209的檔案F1分數。作為對比，GPT-5.5得分為0.229，而一個753B引數的開源模型得分僅為0.186。這意味著，透過針對性訓練，小模型可以在特定任務上超越大規模通用模型。

該模型的設計針對安全團隊在漏洞定位中的痛點：將外部漏洞知識（如CVE、CWE）與內部原始碼連線起來是一項昂貴且耗時的過程。開發人員需要在不熟悉的程式碼庫中搜尋，追蹤呼叫路徑，比較候選檔案。Antares旨在承擔這一初始層析步驟，但思科明確表示，它並不能取代完整的應用安全工具鏈，包括依賴掃描、秘密掃描、動態測試、容器檢查、威脅建模和專家審查等。

模型架構方面，Antares基於IBM Granite 4.0的檢查點初始化，採用分組查詢注意力、SwiGLU MLP、RMSNorm、旋轉位置編碼和共享輸入/輸出嵌入。其中Antares-350M和1B已經開源，而最強的Antares-3B版本尚未釋出。

在評估過程中，Antares在一個受限的代理迴圈中執行：接收CWE類別描述後，模型最多可以透過15次終端命令與Docker沙箱互動，最後提交一個排序的檔案路徑列表。VLoc Bench基準包含來自290個真實倉庫的500個任務，覆蓋6個生態系統和147個CWE類別，其中78%的任務具有CVE編號。測試分為兩個階段：階段A評估模型在漏洞快照上的檔案F1；階段B評估模型在已修復快照上的真陰性率，以避免誤報。

結果顯示，任務特定訓練比引數規模更重要。Antares-3B達到0.223檔案F1，接近GPT-5.5的0.229；Antares-1B達到0.209，高於753B的GLM-5.2（0.186）；甚至最小的Antares-350M也以0.135超過了Gemma-4-31B（0.101）和Gemini 2.5 Flash（0.102）。相比之下，靜態分析工具如Semgrep、CodeQL和Horusec的得分分別為0.086、0.023和0.020。

特別值得注意的是，未經訓練的Granite 4.0基礎檢查點在相同協議下的得分幾乎為零（0.001、0.000、0.000），這表明幾乎所有的能力都來自後訓練過程。監督微調（SFT）將效能提升至0.108-0.198，而群體相對策略最佳化（GRPO）進一步帶來11%-25%的提升，並將執行間標準差降低42%-65%。GRPO使用可驗證的獎勵函式，從軌跡文本中程式化計算，無需學習獎勵模型。

部署成本是另一個亮點：在單塊H100上，完成完整的500任務測試大約需要13分鐘，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。這使得Antares非常適合於持續整合流水線中的重複安全檢查。

然而，思科也指出了一些限制：最強的Antares-3B尚未釋出，並且Antares模型沒有公開階段B的誤報數字，這意味著在實際部署前需要進一步驗證其可靠性。