La respuesta directa: Cisco ha lanzado una familia de modelos de IA de pesos abiertos llamada Antares en tres tamaños pequeños —350 millones, 1 mil millones y 3 mil millones de parámetros— creada para una tarea concreta: identificar qué archivos de un repositorio de código real contienen una vulnerabilidad de seguridad. La licencia es Apache 2.0, por lo que se permite el uso comercial, y los modelos son lo bastante pequeños como para que el mayor se ejecute en una sola GPU. El resultado práctico para el dueño de un negocio: el escaneo de seguridad de tu código pasa a ser posible dentro de tu propia infraestructura, de modo que tu proyecto nunca sale hacia un servicio externo en la nube, con un coste tan bajo que permite escanear en cada actualización en lugar de una vez al año.

Qué hace realmente Antares

Antares no es un modelo de chat general ni un asistente de programación. Es un agente especializado en una única tarea llamada localización de vulnerabilidades. Le das un tipo de vulnerabilidad descrito como CWE —la clasificación estándar de categorías de debilidades de software, como CWE-78 para la inyección de comandos del sistema operativo— junto con un repositorio de código, y se pone a trabajar como lo haría un ingeniero de seguridad: ejecuta comandos de terminal habituales como grep, find y cat, lee la salida, razona sobre ella y acota la búsqueda paso a paso. Tras un máximo de 15 comandos entrega la lista de archivos que cree que contienen la vulnerabilidad, o declara que el repositorio está libre de ese tipo concreto.

La diferencia con las herramientas tradicionales de análisis estático es que Antares no depende ni de reglas fijas ni de una base de datos vectorial; explora realmente el repositorio, formula una hipótesis y la verifica. Cisco lo distribuye con una herramienta de línea de comandos lista para usar que trabaja sobre una instantánea de solo lectura de tu repositorio y devuelve los resultados en formato legible para personas, JSON o SARIF, es decir, una salida que se conecta directamente a tus herramientas de seguridad y a tus pipelines de CI existentes.

Las cifras que te importan

Los modelos se midieron con el Vulnerability Localization Benchmark: 500 casos reales que abarcan 6 ecosistemas de software y 147 categorías CWE. Los resultados publicados:

  • Rendimiento: Antares-3B obtuvo un File F1 de 0,223, superando a todos los demás modelos de pesos abiertos —incluidos sistemas 250 veces más grandes— y acercándose a GPT-5.5.
  • Coste: Completó el barrido completo de 500 tareas por 0,82 $ en unos 15 minutos en una sola H100, aproximadamente 0,0016 $ por tarea. Como comparación: GLM-5.2 costó 12,50 $ en 50 minutos, y GPT-5.5 costó 141 $ a lo largo de 5 horas, lo que hace a Antares unas 172 veces más barato.
  • Tamaños: la versión 350M tiene una ventana de contexto de 32K tokens y está pensada para dispositivos edge e IoT; la versión 1B tiene una ventana de 128K y funciona en una estación de trabajo; la versión 3B tiene una ventana de 128K, funciona en cualquier GPU individual y genera más de 1.500 tokens por segundo.

Una nota importante al leer estas cifras: el número de parámetros no predice en absoluto el rendimiento en esta tarea. Llama-3.3-70B obtuvo 0,012 y Qwen3.5-122B obtuvo 0,091, mientras que un modelo de solo 3 mil millones de parámetros obtuvo 0,223. La especialización ganó al tamaño.

Por qué un modelo pequeño es la elección correcta aquí

Quizá te preguntes por qué no usar simplemente un modelo más grande y potente. La razón es triple. Primero, la privacidad: las herramientas de seguridad deben ejecutarse cerca del código, y enviar tu código fuente a una API externa abre un riesgo en la cadena de suministro y saca tu propiedad intelectual de tu control. Segundo, el coste: los agentes trabajan a lo largo de múltiples turnos, y cada turno multiplica el consumo, de modo que lo que parece barato en una sola petición se convierte en una factura elevada a lo largo de miles de escaneos. Tercero, la velocidad: un escaneo que tarda cinco horas no puede ejecutarse en cada push, mientras que uno que termina en minutos pasa a ser una parte natural de tu pipeline de compilación.

Lo que Antares no hace, y esto importa

Aquí la honestidad es más útil que el entusiasmo. Una puntuación de 0,223 es baja en términos absolutos, lo que significa que el modelo se equivoca a menudo y acierta a veces. Es una herramienta de triaje, no de veredicto: su trabajo es reducir el pajar de miles de archivos a una lista corta que revisa un ingeniero de seguridad humano. La propia Cisco enumera entre los usos fuera de alcance: la toma de decisiones de seguridad sin revisión humana, la corrección automatizada de vulnerabilidades sin pruebas y la determinación final del cumplimiento normativo. A esto se suma una fecha de corte de los datos de entrenamiento del 10 de abril de 2025, lo que significa que el modelo no conoce las vulnerabilidades descubiertas después de esa fecha.

Qué significa esto para tu empresa en Arabia Saudí

Tres conclusiones prácticas. La primera tiene que ver con la protección de datos: si operas bajo la Ley de Protección de Datos Personales (PDPL), cada servicio externo que toca tus sistemas necesita revisión, y un modelo que se ejecuta dentro de tus propios servidores elimina esa cuestión por completo. La segunda tiene que ver con el coste: muchas empresas medianas aplazan el escaneo de seguridad porque es caro y se hace una vez al año a través de una firma externa; con fracciones de halala por tarea, el escaneo continuo se convierte en una decisión fácil. La tercera tiene que ver con la dirección: los modelos abiertos pequeños y especializados están mejorando rápidamente, y quien construya hoy sistemas capaces de incorporar estas herramientas al pipeline de desarrollo se beneficiará de cada mejora futura sin tener que reconstruir.

Cómo lo abordamos en Origami

Como empresa de tecnología, no tratamos ninguna herramienta nueva como sustituto de los fundamentos. Lo básico sigue vigente: revisión de código disciplinada, gestión correcta de permisos, actualización de dependencias y pruebas de seguridad antes del lanzamiento. Lo que aportan herramientas como Antares es una capa de triaje temprana y barata que se ejecuta dentro de la integración continua y avisa a tu equipo antes de que el código llegue a producción. Y cuando construimos un sistema para un cliente, lo diseñamos para que pueda incorporar esa capa más adelante: un repositorio organizado, un pipeline de compilación automatizado y una salida de seguridad en un formato estándar. Así, cada avance en este campo se convierte en una ganancia directa para nuestro cliente en lugar de un proyecto nuevo.

Fuentes: la página oficial del proyecto Cisco Antares en cisco-foundation-ai.github.io/antares, la ficha oficial del modelo en Hugging Face y el informe técnico "Antares: Foundation Models for Agentic Vulnerability Localization", Foundation AI, Cisco, 2026. Todas las cifras de rendimiento y coste son las publicadas en las propias evaluaciones de Cisco.