Прямой ответ: Cisco выпустила семейство моделей ИИ с открытыми весами под названием Antares в трёх небольших размерах — 350 миллионов, 1 миллиард и 3 миллиарда параметров, — созданное для одной конкретной задачи: определять, какие файлы в реальном репозитории кода содержат уязвимость. Лицензия — Apache 2.0, поэтому коммерческое использование разрешено, а модели настолько малы, что даже самая крупная работает на одном GPU. Практический результат для владельца бизнеса: сканирование безопасности вашего кода становится возможным внутри вашей собственной инфраструктуры, так что ваш проект никогда не уходит во внешний облачный сервис, а стоимость настолько низка, что сканировать можно при каждом обновлении, а не раз в год.

Что на самом деле делает Antares

Antares — это не универсальная чат-модель и не помощник программиста. Это агент, специализирующийся на одной задаче, которая называется локализацией уязвимостей. Вы передаёте ему тип уязвимости, описанный как CWE — стандартная классификация категорий слабостей программного обеспечения, например CWE-78 для внедрения команд операционной системы, — вместе с репозиторием кода, и он принимается за работу так, как это сделал бы инженер по безопасности: выполняет обычные терминальные команды вроде grep, find и cat, читает вывод, рассуждает о нём и шаг за шагом сужает поиск. Не более чем через 15 команд он передаёт список файлов, которые, по его мнению, содержат уязвимость, или объявляет репозиторий свободным от этого конкретного типа.

Отличие от традиционных инструментов статического анализа в том, что Antares не опирается ни на фиксированные правила, ни на векторную базу данных: он действительно исследует репозиторий, выдвигает гипотезу и проверяет её. Cisco поставляет его вместе с готовым инструментом командной строки, который работает с доступным только для чтения снимком вашего репозитория и возвращает результаты в удобочитаемом виде, в формате JSON или SARIF, — то есть вывод, который напрямую подключается к вашим существующим средствам безопасности и CI-конвейерам.

Цифры, которые важны для вас

Модели оценивались на Vulnerability Localization Benchmark: 500 реальных случаев, охватывающих 6 программных экосистем и 147 категорий CWE. Опубликованные результаты:

  • Производительность: Antares-3B набрала File F1, равный 0,223, обойдя все остальные модели с открытыми весами — включая системы в 250 раз крупнее — и приблизившись к GPT-5.5.
  • Стоимость: она выполнила полный прогон из 500 задач за 0,82 $ примерно за 15 минут на одной H100, то есть около 0,0016 $ за задачу. Для сравнения: GLM-5.2 обошлась в 12,50 $ за 50 минут, а GPT-5.5 — в 141 $ за 5 часов, что делает Antares примерно в 172 раза дешевле.
  • Размеры: версия 350M имеет контекстное окно в 32K токенов и ориентирована на периферийные и IoT-устройства; версия 1B имеет окно в 128K и работает на рабочей станции; версия 3B имеет окно в 128K, работает на любом одиночном GPU и генерирует более 1 500 токенов в секунду.

Одно важное замечание при чтении этих цифр: число параметров совершенно не предсказывает результат в этой задаче. Llama-3.3-70B набрала 0,012, а Qwen3.5-122B набрала 0,091, тогда как модель всего с 3 миллиардами параметров набрала 0,223. Специализация победила размер.

Почему небольшая модель здесь — правильный выбор

Вы можете спросить, почему бы просто не использовать более крупную и мощную модель. Причин три. Во-первых, конфиденциальность: инструменты безопасности должны работать рядом с кодом, а отправка исходного кода во внешний API открывает риск в цепочке поставок и выводит вашу интеллектуальную собственность из-под вашего контроля. Во-вторых, стоимость: агенты работают в течение множества ходов, и каждый ход умножает потребление, поэтому то, что выглядит дёшево для одного запроса, превращается в тяжёлый счёт на тысячах сканирований. В-третьих, скорость: сканирование, которое занимает пять часов, нельзя запускать при каждом push, а то, что завершается за минуты, становится естественной частью вашего конвейера сборки.

Чего Antares не делает — и это важно

Честность здесь полезнее энтузиазма. Оценка 0,223 в абсолютном выражении низкая, а значит, модель часто ошибается и лишь иногда оказывается права. Это инструмент первичной сортировки, а не инструмент вердикта: его задача — уменьшить стог сена из тысяч файлов до короткого списка, который проверяет инженер по безопасности. Сама Cisco относит к использованию вне области применения: принятие решений в области безопасности без проверки человеком, автоматическое устранение уязвимостей без тестирования и окончательное определение соответствия требованиям. Добавьте к этому дату отсечения обучающих данных — 10 апреля 2025 года, — а значит, модель не знает об уязвимостях, обнаруженных после этой даты.

Что это значит для вашего бизнеса в Саудовской Аравии

Три практических вывода. Первый касается защиты данных: если вы работаете в рамках Закона о защите персональных данных (PDPL), каждый внешний сервис, который затрагивает ваши системы, требует проверки, а модель, работающая внутри ваших собственных серверов, полностью снимает этот вопрос. Второй касается стоимости: многие средние компании откладывают сканирование безопасности, потому что оно дорогое и проводится раз в год сторонней фирмой; при стоимости в доли халалы за задачу непрерывное сканирование становится простым решением. Третий касается направления: небольшие специализированные открытые модели быстро улучшаются, и тот, кто сегодня строит системы, способные принять эти инструменты в конвейер разработки, будет получать выгоду от каждого будущего улучшения без перестройки.

Как мы подходим к этому в Origami

Как технологическая компания, мы не считаем ни один новый инструмент заменой основ. Базовые вещи по-прежнему в силе: дисциплинированная проверка кода, правильное управление правами доступа, обновление зависимостей и тестирование безопасности перед запуском. Инструменты вроде Antares добавляют дешёвый ранний слой первичной сортировки, который работает внутри непрерывной интеграции и предупреждает вашу команду до того, как код попадёт в продакшен. А когда мы создаём систему для клиента, мы проектируем её так, чтобы позже она могла принять этот слой: упорядоченный репозиторий, автоматизированный конвейер сборки и вывод результатов безопасности в стандартном формате. Так каждое достижение в этой области становится прямой выгодой для нашего клиента, а не новым проектом.

Источники: официальная страница проекта Cisco Antares по адресу cisco-foundation-ai.github.io/antares, официальная карточка модели на Hugging Face и технический отчёт "Antares: Foundation Models for Agentic Vulnerability Localization", Foundation AI, Cisco, 2026. Все показатели производительности и стоимости приведены в том виде, в каком они опубликованы в собственных оценках Cisco.