直接的答案：Cisco 发布了一个名为 Antares 的开放权重 AI 模型系列，提供三种小规模版本，参数量分别为 350M、1B 和 3B，专为一项具体工作而打造：识别真实代码仓库中哪些文件包含安全漏洞。许可证为 Apache 2.0，因此允许商业使用；这些模型足够小，最大的版本也能在单块 GPU 上运行。对企业主而言，实际结果是：代码安全扫描可以在你自己的基础设施内完成，你的项目永远不会流向外部云服务，而且成本低到可以在每次更新时都扫描，而不是一年扫描一次。

Antares 实际上做什么

Antares 不是通用聊天模型，也不是编程助手。它是一个专注于单一任务的智能体，这项任务叫做漏洞定位。你给它一个以 CWE 描述的漏洞类型（CWE 是软件弱点类别的标准分类，例如 CWE-78 表示操作系统命令注入），再加上一个代码仓库，它就会像安全工程师那样开始工作：运行 grep、find 和 cat 等普通终端命令，阅读输出，对其进行推理，并一步步缩小搜索范围。最多执行 15 条命令后，它会提交它认为包含该漏洞的文件清单，或者宣布该仓库不存在这一特定类型的漏洞。

与传统静态分析工具的区别在于，Antares 既不依赖固定规则，也不依赖向量数据库；它真正地探索仓库，形成假设并加以验证。Cisco 为它配备了一个现成的命令行工具，该工具在你仓库的只读快照上运行，并以人类可读、JSON 或 SARIF 格式返回结果，也就是说，其输出可以直接接入你现有的安全工具和 CI 流水线。

对你重要的数字

这些模型在 Vulnerability Localization Benchmark 上进行了测评：共 500 个真实案例，涵盖 6 个软件生态系统和 147 个 CWE 类别。公布的结果如下：

  • 性能：Antares-3B 的 File F1 得分为 0.223，超过了所有其他开放权重模型（包括规模是它 250 倍的系统），并接近 GPT-5.5。
  • 成本：它在单块 H100 上用大约 15 分钟完成了全部 500 项任务的扫描，花费 0.82 美元，约合每项任务 0.0016 美元。作为对比：GLM-5.2 用 50 分钟花费 12.50 美元，GPT-5.5 用 5 小时花费 141 美元，这使 Antares 便宜约 172 倍。
  • 规模：350M 版本拥有 32K 词元的上下文窗口，面向边缘和物联网（IoT）设备；1B 版本拥有 128K 的窗口，可在工作站上运行；3B 版本拥有 128K 的窗口，可在任意单块 GPU 上运行，每秒生成超过 1,500 个词元。

解读这些数字时有一点很重要：参数量根本无法预测这项任务上的表现。Llama-3.3-70B 得分为 0.012，Qwen3.5-122B 得分为 0.091，而一个只有 3B 参数的模型得分为 0.223。专业化胜过了规模。

为什么小模型在这里是正确的选择

你可能会问，为什么不直接使用更大、更强的模型。原因有三。第一是隐私：安全工具应当在靠近代码的地方运行，把源代码发送到外部 API 会带来供应链风险，并让你的知识产权脱离你的控制。第二是成本：智能体要跨越多个轮次工作，每一轮都会成倍增加消耗，所以单次请求看起来便宜的东西，在数千次扫描中会变成一笔沉重的账单。第三是速度：耗时五小时的扫描无法在每次 push 时运行，而几分钟就能完成的扫描则会自然成为你构建流水线的一部分。

Antares 做不到什么——这一点很重要

在这里，坦诚比热情更有用。0.223 的得分从绝对值来看是偏低的，这意味着模型经常出错，只是有时正确。它是一个初筛工具，而不是裁决工具：它的工作是把成千上万个文件组成的“草堆”缩小为一份简短清单，交由人类安全工程师审查。Cisco 自己列出的超出适用范围的用途包括：没有人工审查的安全决策、未经测试的自动漏洞修复，以及合规性的最终判定。此外，训练数据的截止日期为 2025年4月10日，这意味着模型不了解在该日期之后发现的漏洞。

这对你在沙特阿拉伯的企业意味着什么

三点实际启示。第一点关乎数据保护：如果你受《个人数据保护法》（PDPL）约束，每一个接触你系统的外部服务都需要审查，而在你自己服务器内部运行的模型则完全消除了这个问题。第二点关乎成本：许多中型企业推迟安全扫描，因为它价格昂贵，而且通常一年才由外部公司做一次；当每项任务的成本只有一哈拉拉的零头时，持续扫描就成了一个轻松的决定。第三点关乎方向：小型、专业化的开放模型正在快速进步，今天就构建能够把这些工具纳入开发流水线的系统的人，将无需重建就能从未来的每一次改进中受益。

我们在 Origami 如何看待这件事

作为一家科技公司，我们不会把任何新工具当作基本功的替代品。基础依然有效：严谨的代码审查、正确的权限管理、依赖项更新，以及上线前的安全测试。像 Antares 这样的工具所增加的，是一层廉价的早期初筛，它在持续集成中运行，并在代码进入生产环境之前提醒你的团队。当我们为客户构建系统时，我们会把系统设计成以后能够接纳这一层：井然有序的代码仓库、自动化的构建流水线，以及采用标准格式的安全输出。这样，这一领域的每一次进步都会直接转化为客户的收益，而不是一个新项目。

资料来源：Cisco Antares 官方项目页面 cisco-foundation-ai.github.io/antares、Hugging Face 上的官方模型卡，以及技术报告 "Antares: Foundation Models for Agentic Vulnerability Localization"，Foundation AI，Cisco，2026。所有性能和成本数据均以 Cisco 自身评估中公布的数据为准。