端的に言えば、Cisco は Antares というオープンウェイトの AI モデルファミリーを、パラメータ数 350M、1B、3B という 3 つの小さなサイズで公開しました。これはひとつの明確な仕事のために作られています。実際のコードリポジトリの中で、どのファイルにセキュリティ脆弱性が含まれているかを特定することです。ライセンスは Apache 2.0 なので商用利用が可能で、モデルは最大のものでも単一の GPU で動くほど小さくなっています。経営者にとっての実際的な結果はこうです。コードのセキュリティスキャンを自社のインフラ内で行えるようになり、プロジェクトが外部のクラウドサービスに出ていくことはありません。しかもコストが非常に低いため、年に一度ではなく更新のたびにスキャンできます。

Antares が実際に行うこと

Antares は汎用のチャットモデルでもコーディングアシスタントでもありません。脆弱性の特定と呼ばれる単一のタスクに特化したエージェントです。CWE（ソフトウェアの弱点カテゴリの標準分類で、たとえば OS コマンドインジェクションは CWE-78）として記述された脆弱性の種類をコードリポジトリと一緒に渡すと、セキュリティエンジニアと同じように作業を始めます。grep、find、cat などの一般的なターミナルコマンドを実行し、出力を読み、それについて推論し、一歩ずつ探索範囲を絞り込みます。最大 15 回のコマンドの後、脆弱性を含むと判断したファイルのリストを提出するか、そのリポジトリにはその特定の種類の脆弱性がないと宣言します。

従来の静的解析ツールとの違いは、Antares が固定ルールにもベクトルデータベースにも依存しない点です。実際にリポジトリを探索し、仮説を立て、それを検証します。Cisco は、リポジトリの読み取り専用スナップショット上で動作し、人が読める形式、JSON、または SARIF 形式で結果を返す、すぐに使えるコマンドラインツールを同梱しています。つまり、その出力は既存のセキュリティツールや CI パイプラインにそのまま組み込めます。

あなたにとって重要な数字

モデルは Vulnerability Localization Benchmark で評価されました。6 つのソフトウェアエコシステムと 147 の CWE カテゴリにまたがる 500 件の実例です。公表された結果は次のとおりです。

  • 性能：Antares-3B は File F1 で 0.223 を記録し、自身の 250 倍の規模のシステムを含む他のすべてのオープンウェイトモデルを上回り、GPT-5.5 に迫りました。
  • コスト：単一の H100 上で 500 タスクの全スキャンを約 15 分、0.82 ドルで完了しました。1 タスクあたり約 0.0016 ドルです。比較すると、GLM-5.2 は 50 分で 12.50 ドル、GPT-5.5 は 5 時間で 141 ドルかかり、Antares は約 172 倍安いことになります。
  • サイズ：350M 版は 32K トークンのコンテキストウィンドウを持ち、エッジデバイスや IoT デバイスを対象としています。1B 版は 128K のウィンドウを持ち、ワークステーションで動作します。3B 版は 128K のウィンドウを持ち、任意の単一 GPU で動作し、毎秒 1,500 トークン以上を生成します。

これらの数字を読むうえで重要な点があります。このタスクでは、パラメータ数はまったく性能の予測材料になりません。Llama-3.3-70B のスコアは 0.012、Qwen3.5-122B のスコアは 0.091 でしたが、わずか 3B パラメータのモデルは 0.223 を記録しました。特化が規模に勝ったのです。

なぜここでは小さなモデルが正しい選択なのか

なぜ単純にもっと大きく強力なモデルを使わないのか、と思われるかもしれません。理由は三つあります。第一にプライバシーです。セキュリティツールはコードの近くで動かすべきであり、ソースコードを外部の API に送ればサプライチェーンのリスクが生じ、知的財産が自社の管理外に出てしまいます。第二にコストです。エージェントは複数のターンにわたって動作し、ターンごとに消費が膨らむため、1 回のリクエストでは安く見えても、数千回のスキャンでは重い請求になります。第三にスピードです。五時間かかるスキャンはプッシュのたびに実行できませんが、数分で終わるスキャンはビルドパイプラインの自然な一部になります。

Antares にできないこと（これが重要です）

ここでは熱意よりも正直さのほうが役に立ちます。0.223 というスコアは絶対値としては低く、モデルはしばしば間違え、ときどき正解するということです。これはトリアージのためのツールであり、判定のためのツールではありません。その役割は、数千のファイルという干し草の山を、人間のセキュリティエンジニアがレビューする短いリストにまで縮めることです。Cisco 自身が対象外の用途として挙げているのは、人によるレビューなしのセキュリティ上の意思決定、テストなしの脆弱性の自動修正、そしてコンプライアンスの最終判断です。さらに、学習データのカットオフは 2025年4月10日であり、モデルはそれ以降に発見された脆弱性を知りません。

サウジアラビアの企業にとっての意味

実践的なポイントは三つです。一つ目はデータ保護です。個人データ保護法（PDPL）の下で事業を行っている場合、システムに触れるすべての外部サービスに審査が必要ですが、自社サーバー内で動くモデルならこの問題は完全になくなります。二つ目はコストです。多くの中堅企業は、費用が高く年に一度外部企業に依頼するものだという理由でセキュリティスキャンを先送りにしています。1 タスクあたりハララの端数ほどのコストであれば、継続的なスキャンは簡単な決断になります。三つ目は方向性です。小型で特化したオープンモデルは急速に改善しており、今日の時点でこうしたツールを開発パイプラインに取り込めるシステムを構築している企業は、作り直すことなく今後のあらゆる改善の恩恵を受けられます。

Origami の取り組み方

テクノロジー企業として、私たちはどんな新しいツールも基本の代わりとは考えていません。基本は今も変わりません。規律あるコードレビュー、正しい権限管理、依存関係の更新、そしてリリース前のセキュリティテストです。Antares のようなツールが加えるのは、継続的インテグレーションの中で動作し、コードが本番環境に届く前にチームに警告する、安価で早期のトリアージ層です。そして、クライアントのためにシステムを構築する際には、後からこの層を受け入れられるように設計します。整理されたリポジトリ、自動化されたビルドパイプライン、標準形式のセキュリティ出力です。そうすることで、この分野のあらゆる進歩が新たなプロジェクトではなく、クライアントにとって直接の利益になります。

出典：cisco-foundation-ai.github.io/antares の Cisco Antares 公式プロジェクトページ、Hugging Face の公式モデルカード、および技術レポート "Antares: Foundation Models for Agentic Vulnerability Localization"（Foundation AI、Cisco、2026）。性能とコストの数値はすべて Cisco 自身の評価で公表されたとおりです。