A resposta direta: a Cisco lançou uma família de modelos de IA de pesos abertos chamada Antares em três tamanhos pequenos — 350 milhões, 1 bilhão e 3 bilhões de parâmetros — criada para uma tarefa específica: identificar quais arquivos de um repositório de código real contêm uma vulnerabilidade de segurança. A licença é Apache 2.0, então o uso comercial é permitido, e os modelos são pequenos o bastante para que o maior rode em uma única GPU. O resultado prático para o dono de uma empresa: a varredura de segurança do seu código passa a ser possível dentro da sua própria infraestrutura, de modo que seu projeto nunca sai para um serviço externo na nuvem, a um custo baixo o suficiente para escanear a cada atualização em vez de uma vez por ano.

O que o Antares realmente faz

O Antares não é um modelo de chat geral nem um assistente de programação. É um agente especializado em uma única tarefa chamada localização de vulnerabilidades. Você fornece um tipo de vulnerabilidade descrito como CWE — a classificação padrão de categorias de fraquezas de software, como CWE-78 para injeção de comandos do sistema operacional — junto com um repositório de código, e ele trabalha como um engenheiro de segurança: executa comandos de terminal comuns como grep, find e cat, lê a saída, raciocina sobre ela e estreita a busca passo a passo. Após no máximo 15 comandos, ele envia a lista de arquivos que acredita conterem a vulnerabilidade, ou declara o repositório livre daquele tipo específico.

A diferença em relação às ferramentas tradicionais de análise estática é que o Antares não depende nem de regras fixas nem de um banco de dados vetorial; ele de fato explora o repositório, formula uma hipótese e a verifica. A Cisco o distribui com uma ferramenta de linha de comando pronta que opera sobre um snapshot somente leitura do seu repositório e retorna os resultados em formato legível por humanos, JSON ou SARIF — ou seja, uma saída que se conecta diretamente às suas ferramentas de segurança e pipelines de CI existentes.

Os números que importam para você

Os modelos foram medidos no Vulnerability Localization Benchmark: 500 casos reais abrangendo 6 ecossistemas de software e 147 categorias CWE. Os resultados publicados:

  • Desempenho: o Antares-3B obteve um File F1 de 0,223, superando todos os outros modelos de pesos abertos — incluindo sistemas 250 vezes maiores — e se aproximando do GPT-5.5.
  • Custo: ele concluiu a varredura completa de 500 tarefas por US$ 0,82 em cerca de 15 minutos em uma única H100, aproximadamente US$ 0,0016 por tarefa. Para comparação: o GLM-5.2 custou US$ 12,50 em 50 minutos, e o GPT-5.5 custou US$ 141 ao longo de 5 horas — o que torna o Antares cerca de 172 vezes mais barato.
  • Tamanhos: a versão 350M tem uma janela de contexto de 32K tokens e é voltada para dispositivos de borda e IoT; a versão 1B tem uma janela de 128K e roda em uma estação de trabalho; a versão 3B tem uma janela de 128K, roda em qualquer GPU individual e gera mais de 1.500 tokens por segundo.

Uma observação importante ao ler esses números: a quantidade de parâmetros não prevê de forma alguma o desempenho nesta tarefa. O Llama-3.3-70B obteve 0,012 e o Qwen3.5-122B obteve 0,091, enquanto um modelo de apenas 3 bilhões de parâmetros obteve 0,223. A especialização venceu o tamanho.

Por que um modelo pequeno é a escolha certa aqui

Você pode perguntar por que não usar simplesmente um modelo maior e mais forte. O motivo é triplo. Primeiro, privacidade: ferramentas de segurança devem rodar perto do código, e enviar seu código-fonte para uma API externa abre risco na cadeia de suprimentos e tira sua propriedade intelectual do seu controle. Segundo, custo: agentes trabalham ao longo de vários turnos, e cada turno multiplica o consumo, então o que parece barato em uma única requisição vira uma conta pesada ao longo de milhares de varreduras. Terceiro, velocidade: uma varredura que leva cinco horas não pode rodar a cada push, enquanto uma que termina em minutos se torna parte natural do seu pipeline de build.

O que o Antares não faz — e isso importa

Aqui a honestidade é mais útil do que o entusiasmo. Uma pontuação de 0,223 é baixa em termos absolutos, o que significa que o modelo erra com frequência e acerta às vezes. É uma ferramenta de triagem, não de veredito: seu trabalho é encolher o palheiro de milhares de arquivos para uma lista curta que um engenheiro de segurança humano revisa. A própria Cisco lista entre os usos fora do escopo: tomada de decisões de segurança sem revisão humana, correção automatizada de vulnerabilidades sem testes e determinação final de conformidade. Some-se a isso uma data de corte dos dados de treinamento de 10 de abril de 2025, o que significa que o modelo não conhece vulnerabilidades descobertas depois dessa data.

O que isso significa para a sua empresa na Arábia Saudita

Três lições práticas. A primeira diz respeito à proteção de dados: se você opera sob a Lei de Proteção de Dados Pessoais (PDPL), todo serviço externo que toca seus sistemas precisa de revisão, e um modelo rodando dentro dos seus próprios servidores elimina essa questão por completo. A segunda diz respeito ao custo: muitas empresas de médio porte adiam a varredura de segurança porque é cara e feita uma vez por ano por uma empresa externa; a frações de halala por tarefa, a varredura contínua se torna uma decisão fácil. A terceira diz respeito à direção: modelos abertos pequenos e especializados estão melhorando rapidamente, e quem constrói hoje sistemas capazes de incorporar essas ferramentas ao pipeline de desenvolvimento vai se beneficiar de cada melhoria futura sem precisar reconstruir.

Como abordamos isso na Origami

Como empresa de tecnologia, não tratamos nenhuma ferramenta nova como substituta dos fundamentos. O básico continua valendo: revisão de código disciplinada, gestão correta de permissões, atualização de dependências e testes de segurança antes do lançamento. O que ferramentas como o Antares acrescentam é uma camada de triagem precoce e barata que roda dentro da integração contínua e avisa sua equipe antes que o código chegue à produção. E quando construímos um sistema para um cliente, nós o projetamos para aceitar essa camada mais tarde: um repositório organizado, um pipeline de build automatizado e saída de segurança em formato padrão. Assim, cada avanço nessa área se torna um ganho direto para o nosso cliente, em vez de um novo projeto.

Fontes: a página oficial do projeto Cisco Antares em cisco-foundation-ai.github.io/antares, o cartão oficial do modelo no Hugging Face e o relatório técnico "Antares: Foundation Models for Agentic Vulnerability Localization", Foundation AI, Cisco, 2026. Todos os números de desempenho e custo são os publicados nas próprias avaliações da Cisco.