Jawapan ringkasnya: Cisco telah melancarkan keluarga model AI pemberat terbuka (open-weight) bernama Antares dalam tiga saiz kecil — 350 juta, 1 bilion dan 3 bilion parameter — yang dibina untuk satu tugas khusus: mengenal pasti fail mana dalam repositori kod sebenar yang mengandungi kelemahan keselamatan. Lesennya ialah Apache 2.0, jadi penggunaan komersial dibenarkan, dan model-model ini cukup kecil sehingga yang terbesar pun boleh berjalan pada satu GPU. Hasil praktikal bagi pemilik perniagaan: imbasan keselamatan kod anda boleh dilakukan di dalam infrastruktur anda sendiri, jadi projek anda tidak pernah keluar ke perkhidmatan awan luaran, pada kos yang cukup rendah untuk mengimbas pada setiap kemas kini dan bukannya setahun sekali.

Apa yang sebenarnya dilakukan oleh Antares

Antares bukan model sembang umum atau pembantu pengekodan. Ia ialah ejen yang dikhususkan untuk satu tugas yang dipanggil penyetempatan kelemahan. Anda memberikannya jenis kelemahan yang diterangkan sebagai CWE — klasifikasi standard bagi kategori kelemahan perisian, seperti CWE-78 untuk suntikan arahan sistem pengendalian — bersama sebuah repositori kod, dan ia mula bekerja seperti seorang jurutera keselamatan: menjalankan arahan terminal biasa seperti grep, find dan cat, membaca output, menaakul tentangnya dan menyempitkan carian langkah demi langkah. Selepas maksimum 15 arahan, ia menyerahkan senarai fail yang dipercayainya mengandungi kelemahan itu, atau mengisytiharkan repositori tersebut bebas daripada jenis kelemahan khusus itu.

Perbezaannya dengan alat analisis statik tradisional ialah Antares tidak bergantung pada peraturan tetap mahupun pangkalan data vektor; ia benar-benar meneroka repositori, membentuk hipotesis dan mengesahkannya. Cisco menyediakannya bersama alat baris arahan yang sedia digunakan, yang beroperasi pada salinan syot baca sahaja repositori anda dan memulangkan hasil dalam format yang boleh dibaca manusia, JSON atau SARIF — iaitu output yang boleh disambungkan terus ke peralatan keselamatan dan saluran paip CI sedia ada anda.

Angka yang penting kepada anda

Model-model ini diukur pada Vulnerability Localization Benchmark: 500 entri dunia sebenar yang merangkumi 6 ekosistem perisian dan 147 kategori CWE. Hasil yang diterbitkan:

  • Prestasi: Antares-3B memperoleh skor File F1 sebanyak 0.223, mengatasi setiap model pemberat terbuka yang lain — termasuk sistem yang 250 kali lebih besar daripadanya — dan menghampiri GPT-5.5.
  • Kos: Ia menyiapkan imbasan penuh 500 tugasan dengan kos $0.82 dalam kira-kira 15 minit pada satu H100, lebih kurang $0.0016 bagi setiap tugasan. Sebagai perbandingan: GLM-5.2 menelan kos $12.50 dalam 50 minit, dan GPT-5.5 menelan kos $141 sepanjang 5 jam — menjadikan Antares kira-kira 172 kali lebih murah.
  • Saiz: versi 350M mempunyai tetingkap konteks 32K token dan menyasarkan peranti edge dan IoT; versi 1B mempunyai tetingkap 128K dan berjalan pada stesen kerja; versi 3B mempunyai tetingkap 128K, berjalan pada mana-mana GPU tunggal dan menjana lebih daripada 1,500 token sesaat.

Satu nota penting semasa membaca angka-angka ini: bilangan parameter langsung tidak meramalkan prestasi bagi tugas ini. Llama-3.3-70B memperoleh skor 0.012 dan Qwen3.5-122B memperoleh skor 0.091, manakala model yang hanya mempunyai 3 bilion parameter memperoleh skor 0.223. Pengkhususan mengalahkan saiz.

Mengapa model kecil ialah pilihan yang tepat di sini

Anda mungkin bertanya mengapa tidak menggunakan sahaja model yang lebih besar dan lebih berkuasa. Sebabnya ada tiga. Pertama, privasi: alat keselamatan sepatutnya berjalan dekat dengan kod, dan menghantar kod sumber anda ke API luaran membuka risiko rantaian bekalan serta membawa harta intelek anda keluar daripada kawalan anda. Kedua, kos: ejen bekerja merentasi banyak giliran, dan setiap giliran menggandakan penggunaan, jadi apa yang kelihatan murah pada satu permintaan menjadi bil yang berat merentasi ribuan imbasan. Ketiga, kelajuan: imbasan yang mengambil masa lima jam tidak boleh dijalankan pada setiap push, manakala imbasan yang selesai dalam beberapa minit menjadi sebahagian semula jadi daripada saluran paip binaan anda.

Apa yang tidak dilakukan oleh Antares — dan ini penting

Kejujuran lebih berguna di sini berbanding keghairahan. Skor 0.223 adalah rendah secara mutlak, yang bermaksud model ini kerap tersilap dan kadangkala betul. Ini ialah alat saringan awal, bukan alat keputusan muktamad: tugasnya ialah mengecilkan timbunan jerami daripada ribuan fail kepada senarai pendek yang disemak oleh jurutera keselamatan manusia. Cisco sendiri menyenaraikan antara penggunaan di luar skop: membuat keputusan keselamatan tanpa semakan manusia, pembaikan kelemahan secara automatik tanpa ujian, dan penentuan muktamad pematuhan. Tambahan pula, tarikh had data latihannya ialah 10 April 2025, yang bermaksud model ini tidak mengetahui kelemahan yang ditemui selepas tarikh tersebut.

Apa maksudnya bagi perniagaan anda di Arab Saudi

Tiga pengajaran praktikal. Yang pertama berkaitan perlindungan data: jika anda beroperasi di bawah Undang-undang Perlindungan Data Peribadi (PDPL), setiap perkhidmatan luaran yang menyentuh sistem anda perlu disemak, dan model yang berjalan di dalam pelayan anda sendiri menghapuskan persoalan itu sepenuhnya. Yang kedua berkaitan kos: banyak syarikat bersaiz sederhana menangguhkan imbasan keselamatan kerana ia mahal dan dilakukan setahun sekali melalui firma luar; dengan kos sebahagian kecil halala bagi setiap tugasan, imbasan berterusan menjadi keputusan yang mudah. Yang ketiga berkaitan hala tuju: model terbuka yang kecil dan khusus semakin baik dengan pantas, dan sesiapa yang membina sistem hari ini yang mampu menerima alat-alat ini ke dalam saluran paip pembangunan akan mendapat manfaat daripada setiap penambahbaikan masa depan tanpa perlu membina semula.

Cara kami mendekatinya di Origami

Sebagai sebuah syarikat teknologi, kami tidak menganggap mana-mana alat baharu sebagai pengganti asas. Perkara asas masih terpakai: semakan kod yang berdisiplin, pengurusan kebenaran yang betul, kemas kini kebergantungan dan ujian keselamatan sebelum pelancaran. Apa yang ditambah oleh alat seperti Antares ialah lapisan saringan awal yang murah, yang berjalan di dalam integrasi berterusan dan memberi amaran kepada pasukan anda sebelum kod sampai ke pengeluaran. Dan apabila kami membina sistem untuk pelanggan, kami mereka bentuknya supaya dapat menerima lapisan itu kemudian: repositori yang tersusun, saluran paip binaan automatik dan output keselamatan dalam format standard. Dengan cara itu, setiap kemajuan dalam bidang ini menjadi keuntungan langsung bagi pelanggan kami dan bukannya projek baharu.

Sumber: halaman rasmi projek Cisco Antares di cisco-foundation-ai.github.io/antares, kad model rasmi di Hugging Face, dan laporan teknikal "Antares: Foundation Models for Agentic Vulnerability Localization", Foundation AI, Cisco, 2026. Semua angka prestasi dan kos adalah seperti yang diterbitkan dalam penilaian Cisco sendiri.