Doğrudan cevap: Cisco, Antares adlı açık ağırlıklı bir yapay zekâ model ailesini üç küçük boyutta yayımladı — 350 milyon, 1 milyar ve 3 milyar parametre — ve bu aile tek bir belirli iş için tasarlandı: gerçek bir kod deposundaki hangi dosyaların güvenlik açığı içerdiğini belirlemek. Lisans Apache 2.0'dır, yani ticari kullanıma izin verilir ve modeller, en büyüğü tek bir GPU üzerinde çalışabilecek kadar küçüktür. İşletme sahibi için pratik sonuç şu: kodunuzun güvenlik taraması kendi altyapınız içinde mümkün hale gelir, böylece projeniz hiçbir zaman harici bir bulut hizmetine gitmez; üstelik maliyet, yılda bir kez yerine her güncellemede tarama yapabileceğiniz kadar düşüktür.

Antares gerçekte ne yapıyor

Antares genel bir sohbet modeli ya da kodlama asistanı değildir. Güvenlik açığı konumlandırma adı verilen tek bir görevde uzmanlaşmış bir ajandır. Ona CWE olarak tanımlanmış bir güvenlik açığı türü verirsiniz — yazılım zayıflığı kategorileri için standart sınıflandırma; örneğin işletim sistemi komut enjeksiyonu için CWE-78 — ve bununla birlikte bir kod deposu verirsiniz; o da bir güvenlik mühendisinin yapacağı gibi çalışmaya başlar: grep, find ve cat gibi sıradan terminal komutlarını çalıştırır, çıktıyı okur, üzerinde akıl yürütür ve aramayı adım adım daraltır. En fazla 15 komuttan sonra güvenlik açığını içerdiğini düşündüğü dosyaların listesini sunar ya da deponun o belirli türden arındırılmış olduğunu bildirir.

Geleneksel statik analiz araçlarından farkı, Antares'in ne sabit kurallara ne de bir vektör veritabanına dayanmasıdır; depoyu gerçekten keşfeder, bir hipotez oluşturur ve onu doğrular. Cisco onu, deponuzun salt okunur bir anlık görüntüsü üzerinde çalışan ve sonuçları insan tarafından okunabilir, JSON veya SARIF biçiminde döndüren hazır bir komut satırı aracıyla birlikte sunar — yani mevcut güvenlik araçlarınıza ve CI hatlarınıza doğrudan bağlanan bir çıktı.

Sizin için önemli olan rakamlar

Modeller Vulnerability Localization Benchmark üzerinde ölçüldü: 6 yazılım ekosistemini ve 147 CWE kategorisini kapsayan 500 gerçek dünya kaydı. Yayımlanan sonuçlar:

  • Performans: Antares-3B, 0,223'lük bir File F1 puanı aldı; kendisinden 250 kat büyük sistemler dahil diğer tüm açık ağırlıklı modelleri geride bıraktı ve GPT-5.5'e yaklaştı.
  • Maliyet: 500 görevlik tam taramayı tek bir H100 üzerinde yaklaşık 15 dakikada 0,82 $ karşılığında tamamladı; bu, görev başına yaklaşık 0,0016 $ demektir. Karşılaştırma için: GLM-5.2, 50 dakikada 12,50 $ tuttu ve GPT-5.5, 5 saat boyunca 141 $ tuttu — bu da Antares'i yaklaşık 172 kat daha ucuz yapıyor.
  • Boyutlar: 350M sürümü 32K token'lık bir bağlam penceresine sahiptir ve uç cihazları ile IoT cihazlarını hedefler; 1B sürümü 128K'lık bir pencereye sahiptir ve bir iş istasyonunda çalışır; 3B sürümü 128K'lık bir pencereye sahiptir, herhangi bir tekil GPU üzerinde çalışır ve saniyede 1.500'den fazla token üretir.

Bu rakamları okurken önemli bir not: parametre sayısı bu görevdeki performansı hiç öngörmez. Llama-3.3-70B 0,012 puan aldı ve Qwen3.5-122B 0,091 puan aldı; yalnızca 3 milyar parametreli bir model ise 0,223 puan aldı. Uzmanlaşma boyutu yendi.

Burada küçük bir model neden doğru seçim

Neden daha büyük ve daha güçlü bir model kullanılmadığını sorabilirsiniz. Bunun üç nedeni var. Birincisi gizlilik: güvenlik araçları koda yakın çalışmalıdır ve kaynak kodunuzu harici bir API'ye göndermek tedarik zinciri riski doğurur ve fikri mülkiyetinizi kontrolünüzün dışına çıkarır. İkincisi maliyet: ajanlar birden çok tur boyunca çalışır ve her tur tüketimi katlar; dolayısıyla tek bir istekte ucuz görünen şey binlerce tarama boyunca ağır bir faturaya dönüşür. Üçüncüsü hız: beş saat süren bir tarama her push işleminde çalıştırılamaz, oysa dakikalar içinde biten bir tarama derleme hattınızın doğal bir parçası haline gelir.

Antares'in yapmadıkları — ve bu önemli

Burada dürüstlük coşkudan daha yararlıdır. 0,223'lük bir puan mutlak anlamda düşüktür; bu da modelin sık sık yanıldığı ve bazen doğru bildiği anlamına gelir. Bu bir ön eleme aracıdır, bir hüküm aracı değil: görevi, samanlığı binlerce dosyadan bir insan güvenlik mühendisinin incelediği kısa bir listeye küçültmektir. Cisco da kapsam dışı kullanımlar arasında şunları sayar: insan incelemesi olmadan güvenlik kararı verme, test yapılmadan otomatik güvenlik açığı giderme ve uyumluluğun nihai olarak belirlenmesi. Buna 10 Nisan 2025 tarihli bir eğitim verisi kesim tarihini de ekleyin; bu, modelin o tarihten sonra keşfedilen güvenlik açıklarını bilmediği anlamına gelir.

Bunun Suudi Arabistan'daki işletmeniz için anlamı

Üç pratik çıkarım. Birincisi veri korumayla ilgili: Kişisel Verilerin Korunması Kanunu (PDPL) kapsamında faaliyet gösteriyorsanız, sistemlerinize dokunan her harici hizmetin incelenmesi gerekir ve kendi sunucularınızda çalışan bir model bu soruyu tamamen ortadan kaldırır. İkincisi maliyetle ilgili: birçok orta ölçekli şirket, pahalı olduğu ve yılda bir kez dış bir firma aracılığıyla yapıldığı için güvenlik taramasını erteler; görev başına bir halalanın kesirleri düzeyinde bir maliyetle sürekli tarama kolay bir karara dönüşür. Üçüncüsü yönle ilgili: küçük, uzmanlaşmış açık modeller hızla gelişiyor ve bugün bu araçları geliştirme hattına kabul edebilecek sistemler kuran herkes, yeniden inşa etmeye gerek kalmadan gelecekteki her iyileştirmeden yararlanacak.

Origami'de bu konuya nasıl yaklaşıyoruz

Bir teknoloji şirketi olarak hiçbir yeni aracı temel ilkelerin yerine geçen bir şey olarak görmüyoruz. Temeller hâlâ geçerli: disiplinli kod incelemesi, doğru yetki yönetimi, bağımlılık güncellemeleri ve yayından önce güvenlik testleri. Antares gibi araçların eklediği şey, sürekli entegrasyon içinde çalışan ve kod üretime ulaşmadan önce ekibinizi uyaran ucuz, erken bir ön eleme katmanıdır. Bir müşteri için sistem kurduğumuzda da onu bu katmanı sonradan kabul edecek şekilde tasarlıyoruz: düzenli bir depo, otomatik bir derleme hattı ve standart bir biçimde güvenlik çıktısı. Böylece bu alandaki her ilerleme, yeni bir proje yerine müşterimiz için doğrudan bir kazanca dönüşür.

Kaynaklar: cisco-foundation-ai.github.io/antares adresindeki resmi Cisco Antares proje sayfası, Hugging Face üzerindeki resmi model kartı ve "Antares: Foundation Models for Agentic Vulnerability Localization" başlıklı teknik rapor, Foundation AI, Cisco, 2026. Tüm performans ve maliyet rakamları Cisco'nun kendi değerlendirmelerinde yayımlandığı şekildedir.