Jawaban langsungnya: Cisco telah merilis keluarga model AI open-weight bernama Antares dalam tiga ukuran kecil — 350 juta, 1 miliar, dan 3 miliar parameter — yang dibuat untuk satu pekerjaan khusus: mengidentifikasi file mana dalam repositori kode nyata yang mengandung kerentanan keamanan. Lisensinya Apache 2.0, sehingga penggunaan komersial diizinkan, dan modelnya cukup kecil sehingga yang terbesar pun berjalan di satu GPU. Hasil praktis bagi pemilik bisnis: pemindaian keamanan kode Anda menjadi mungkin dilakukan di dalam infrastruktur Anda sendiri, sehingga proyek Anda tidak pernah keluar ke layanan cloud eksternal, dengan biaya yang cukup rendah untuk memindai setiap kali ada pembaruan, bukan setahun sekali.

Apa yang sebenarnya dilakukan Antares

Antares bukan model obrolan umum atau asisten pemrograman. Ini adalah agen yang dikhususkan untuk satu tugas yang disebut lokalisasi kerentanan. Anda memberinya jenis kerentanan yang dijelaskan sebagai CWE — klasifikasi standar untuk kategori kelemahan perangkat lunak, seperti CWE-78 untuk injeksi perintah sistem operasi — beserta sebuah repositori kode, lalu model ini bekerja seperti seorang insinyur keamanan: menjalankan perintah terminal biasa seperti grep, find, dan cat, membaca keluarannya, menalar hasilnya, dan mempersempit pencarian langkah demi langkah. Setelah maksimal 15 perintah, model ini menyerahkan daftar file yang diyakininya mengandung kerentanan, atau menyatakan repositori tersebut bersih dari jenis kerentanan spesifik itu.

Perbedaannya dengan alat analisis statis tradisional adalah bahwa Antares tidak bergantung pada aturan tetap maupun basis data vektor; model ini benar-benar menjelajahi repositori, membentuk hipotesis, dan memverifikasinya. Cisco menyertakannya dengan alat baris perintah siap pakai yang bekerja pada snapshot repositori Anda yang hanya bisa dibaca dan mengembalikan hasil dalam format yang mudah dibaca manusia, JSON, atau SARIF — artinya keluaran yang langsung terhubung ke perangkat keamanan dan pipeline CI yang sudah Anda miliki.

Angka-angka yang penting bagi Anda

Model-model ini diukur pada Vulnerability Localization Benchmark: 500 entri dunia nyata yang mencakup 6 ekosistem perangkat lunak dan 147 kategori CWE. Hasil yang diterbitkan:

  • Kinerja: Antares-3B meraih skor File F1 sebesar 0,223, mengalahkan semua model open-weight lainnya — termasuk sistem yang 250 kali lebih besar — dan mendekati GPT-5.5.
  • Biaya: Model ini menyelesaikan pemindaian penuh 500 tugas seharga $0,82 dalam sekitar 15 menit pada satu H100, kira-kira $0,0016 per tugas. Sebagai perbandingan: GLM-5.2 menghabiskan $12,50 dalam 50 menit, dan GPT-5.5 menghabiskan $141 selama 5 jam — sehingga Antares sekitar 172 kali lebih murah.
  • Ukuran: versi 350M memiliki jendela konteks 32K token dan ditujukan untuk perangkat edge dan IoT; versi 1B memiliki jendela 128K dan berjalan di workstation; versi 3B memiliki jendela 128K, berjalan di GPU tunggal mana pun, dan menghasilkan lebih dari 1.500 token per detik.

Satu catatan penting dalam membaca angka-angka ini: jumlah parameter sama sekali tidak memprediksi kinerja pada tugas ini. Llama-3.3-70B meraih skor 0,012 dan Qwen3.5-122B meraih skor 0,091, sementara model yang hanya berukuran 3 miliar parameter meraih skor 0,223. Spesialisasi mengalahkan ukuran.

Mengapa model kecil adalah pilihan yang tepat di sini

Anda mungkin bertanya mengapa tidak menggunakan saja model yang lebih besar dan lebih kuat. Alasannya ada tiga. Pertama, privasi: alat keamanan sebaiknya berjalan dekat dengan kode, dan mengirim kode sumber Anda ke API eksternal membuka risiko rantai pasok serta membuat kekayaan intelektual Anda keluar dari kendali Anda. Kedua, biaya: agen bekerja dalam banyak giliran, dan setiap giliran melipatgandakan konsumsi, sehingga apa yang tampak murah pada satu permintaan menjadi tagihan besar dalam ribuan pemindaian. Ketiga, kecepatan: pemindaian yang memakan waktu lima jam tidak dapat dijalankan pada setiap push, sedangkan pemindaian yang selesai dalam hitungan menit menjadi bagian alami dari pipeline build Anda.

Apa yang tidak dilakukan Antares — dan ini penting

Kejujuran lebih berguna di sini daripada antusiasme. Skor 0,223 tergolong rendah secara absolut, yang berarti model ini sering salah dan kadang-kadang benar. Ini adalah alat triase, bukan alat putusan: tugasnya adalah mengecilkan tumpukan jerami dari ribuan file menjadi daftar pendek yang ditinjau oleh seorang insinyur keamanan manusia. Cisco sendiri mencantumkan di antara penggunaan di luar cakupan: pengambilan keputusan keamanan tanpa tinjauan manusia, perbaikan kerentanan otomatis tanpa pengujian, dan penentuan akhir kepatuhan. Tambahkan pula batas data pelatihan pada 10 April 2025, yang berarti model ini tidak mengetahui kerentanan yang ditemukan setelah tanggal tersebut.

Apa artinya bagi bisnis Anda di Arab Saudi

Tiga kesimpulan praktis. Pertama terkait perlindungan data: jika Anda beroperasi di bawah Undang-Undang Perlindungan Data Pribadi (PDPL), setiap layanan eksternal yang menyentuh sistem Anda perlu ditinjau, dan model yang berjalan di dalam server Anda sendiri menghilangkan persoalan itu sepenuhnya. Kedua terkait biaya: banyak perusahaan menengah menunda pemindaian keamanan karena mahal dan dilakukan setahun sekali melalui firma luar; dengan biaya sepecahan halala per tugas, pemindaian berkelanjutan menjadi keputusan yang mudah. Ketiga terkait arah: model terbuka yang kecil dan terspesialisasi berkembang dengan cepat, dan siapa pun yang hari ini membangun sistem yang mampu menerima alat-alat ini ke dalam pipeline pengembangan akan mendapat manfaat dari setiap peningkatan di masa depan tanpa harus membangun ulang.

Bagaimana kami menyikapinya di Origami

Sebagai perusahaan teknologi, kami tidak memperlakukan alat baru apa pun sebagai pengganti hal-hal mendasar. Dasar-dasarnya tetap berlaku: tinjauan kode yang disiplin, pengelolaan izin yang benar, pembaruan dependensi, dan pengujian keamanan sebelum peluncuran. Yang ditambahkan oleh alat seperti Antares adalah lapisan triase awal yang murah, yang berjalan di dalam integrasi berkelanjutan dan memperingatkan tim Anda sebelum kode mencapai produksi. Dan ketika kami membangun sistem untuk klien, kami merancangnya agar dapat menerima lapisan tersebut di kemudian hari: repositori yang tertata, pipeline build otomatis, dan keluaran keamanan dalam format standar. Dengan begitu, setiap kemajuan di bidang ini menjadi keuntungan langsung bagi klien kami, bukan proyek baru.

Sumber: halaman resmi proyek Cisco Antares di cisco-foundation-ai.github.io/antares, kartu model resmi di Hugging Face, dan laporan teknis "Antares: Foundation Models for Agentic Vulnerability Localization", Foundation AI, Cisco, 2026. Semua angka kinerja dan biaya sesuai dengan yang diterbitkan dalam evaluasi Cisco sendiri.