La réponse directe : Cisco a publié une famille de modèles d'IA à poids ouverts appelée Antares, en trois petites tailles — 350 millions, 1 milliard et 3 milliards de paramètres — conçue pour une tâche précise : identifier les fichiers d'un dépôt de code réel qui contiennent une vulnérabilité de sécurité. La licence est Apache 2.0, donc l'usage commercial est permis, et les modèles sont assez petits pour que le plus grand tourne sur un seul GPU. Le résultat pratique pour un chef d'entreprise : l'analyse de sécurité de votre code devient possible à l'intérieur de votre propre infrastructure, votre projet ne part donc jamais vers un service cloud externe, à un coût suffisamment faible pour analyser à chaque mise à jour plutôt qu'une fois par an.

Ce que fait réellement Antares

Antares n'est pas un modèle de conversation généraliste ni un assistant de codage. C'est un agent spécialisé dans une seule tâche, appelée localisation de vulnérabilités. Vous lui donnez un type de vulnérabilité décrit sous forme de CWE — la classification standard des catégories de faiblesses logicielles, comme CWE-78 pour l'injection de commandes système — ainsi qu'un dépôt de code, et il se met au travail comme le ferait un ingénieur sécurité : il lance des commandes de terminal ordinaires comme grep, find et cat, lit la sortie, raisonne dessus et resserre la recherche étape par étape. Au bout de 15 commandes au maximum, il soumet la liste des fichiers qu'il estime porteurs de la vulnérabilité, ou déclare le dépôt exempt de ce type précis.

La différence avec les outils d'analyse statique traditionnels est qu'Antares ne s'appuie ni sur des règles fixes ni sur une base vectorielle : il explore réellement le dépôt, formule une hypothèse et la vérifie. Cisco le livre avec un outil en ligne de commande prêt à l'emploi, qui opère sur un instantané en lecture seule de votre dépôt et renvoie les résultats en format lisible par un humain, en JSON ou en SARIF — c'est-à-dire une sortie qui se branche directement sur votre outillage de sécurité existant et vos pipelines d'intégration continue.

Les chiffres qui vous concernent

Les modèles ont été mesurés sur le Vulnerability Localization Benchmark : 500 entrées issues du monde réel, couvrant 6 écosystèmes logiciels et 147 catégories de CWE. Les résultats publiés :

  • Performance : Antares-3B a obtenu un File F1 de 0,223, devançant tous les autres modèles à poids ouverts — y compris des systèmes 250 fois plus gros — et s'approchant de GPT-5.5.
  • Coût : il a terminé la campagne complète de 500 tâches pour 0,82 $ en environ 15 minutes sur un seul H100, soit environ 0,0016 $ par tâche. À titre de comparaison : GLM-5.2 a coûté 12,50 $ en 50 minutes, et GPT-5.5 a coûté 141 $ sur 5 heures — ce qui rend Antares environ 172 fois moins cher.
  • Tailles : la version 350M offre une fenêtre de contexte de 32K tokens et vise les équipements embarqués et l'IoT ; la version 1B offre une fenêtre de 128K et tourne sur une station de travail ; la version 3B offre une fenêtre de 128K, tourne sur n'importe quel GPU unique et génère plus de 1 500 tokens par seconde.

Une remarque importante dans la lecture de ces chiffres : le nombre de paramètres ne prédit absolument pas la performance sur cette tâche. Llama-3.3-70B a obtenu 0,012 et Qwen3.5-122B a obtenu 0,091, alors qu'un modèle de seulement 3 milliards de paramètres a obtenu 0,223. La spécialisation a battu la taille.

Pourquoi un petit modèle est le bon choix ici

Vous pourriez demander pourquoi ne pas simplement utiliser un modèle plus gros et plus puissant. La raison est triple. D'abord la confidentialité : les outils de sécurité doivent tourner au plus près du code, et expédier vos sources vers une API externe ouvre un risque sur la chaîne d'approvisionnement et fait sortir votre propriété intellectuelle de votre contrôle. Ensuite le coût : les agents travaillent sur plusieurs tours, et chaque tour multiplie la consommation, de sorte que ce qui paraît peu coûteux sur une requête unique devient une facture lourde sur des milliers d'analyses. Enfin la vitesse : une analyse qui prend cinq heures ne peut pas tourner à chaque push, alors qu'une analyse qui se termine en quelques minutes devient une étape naturelle de votre pipeline de build.

Ce qu'Antares ne fait pas — et cela compte

L'honnêteté est plus utile ici que l'enthousiasme. Un score de 0,223 est faible en valeur absolue : le modèle se trompe souvent et a raison parfois. C'est un outil de tri, pas un outil de verdict : son rôle est de réduire la botte de foin de milliers de fichiers à une courte liste qu'un ingénieur sécurité humain examine. Cisco lui-même liste parmi les usages hors périmètre : la prise de décision de sécurité sans revue humaine, la correction automatisée des vulnérabilités sans tests, et la détermination finale de la conformité. Ajoutez à cela une date de fin des données d'entraînement au 10 avril 2025, ce qui signifie que le modèle ignore les vulnérabilités découvertes après cette date.

Ce que cela signifie pour votre entreprise en Arabie saoudite

Trois enseignements pratiques. Le premier concerne la protection des données : si vous opérez sous la loi sur la protection des données personnelles (PDPL), chaque service externe qui touche à vos systèmes exige une revue, et un modèle qui tourne à l'intérieur de vos propres serveurs supprime entièrement cette question. Le deuxième concerne le coût : beaucoup d'entreprises de taille moyenne reportent l'analyse de sécurité parce qu'elle est chère et se fait une fois par an via un cabinet extérieur ; à des fractions de halala par tâche, l'analyse continue devient une décision facile. Le troisième concerne la direction : les petits modèles ouverts spécialisés progressent vite, et quiconque construit aujourd'hui des systèmes capables d'accueillir ces outils dans le pipeline de développement profitera de chaque amélioration future sans tout reconstruire.

Notre approche chez Origami

En tant que société technologique, nous ne traitons aucun nouvel outil comme un substitut aux fondamentaux. Les bases restent valables : une revue de code disciplinée, une gestion correcte des permissions, la mise à jour des dépendances et des tests de sécurité avant lancement. Ce que des outils comme Antares ajoutent, c'est une couche de tri précoce peu coûteuse, qui tourne dans l'intégration continue et avertit votre équipe avant que le code n'atteigne la production. Et lorsque nous construisons un système pour un client, nous le concevons pour accueillir cette couche plus tard : un dépôt organisé, un pipeline de build automatisé et une sortie de sécurité dans un format standard. Ainsi, chaque avancée dans ce domaine devient un gain direct pour notre client plutôt qu'un nouveau projet.

Sources : la page officielle du projet Cisco Antares sur cisco-foundation-ai.github.io/antares, la fiche officielle du modèle sur Hugging Face, et le rapport technique « Antares: Foundation Models for Agentic Vulnerability Localization », Foundation AI, Cisco, 2026. Tous les chiffres de performance et de coût sont ceux publiés dans les évaluations de Cisco.