Cisco Foundation AI ha rilasciato Antares, una famiglia di security small language model (SLM) costruiti per un compito ristretto: la vulnerability localization. Data la descrizione di una vulnerabilità e un repository, il modello deve individuare i file che contengono la falla. Due modelli sono open-weight e disponibili su Hugging Face — Antares-350M e Antares-1B, entrambi Apache 2.0 — insieme a VLoc Bench, una valutazione agentica da 500 task rilasciata sotto la stessa licenza.
Il risultato non è un nuovo stato dell’arte assoluto, ma un dato sull’efficienza: Antares-1B raggiunge 0,209 di File F1, contro lo 0,229 di GPT-5.5 e lo 0,186 di un modello open-weight da 753B (GLM-5.2). Antares-3B arriva a 0,223, appena sotto GPT-5.5, ma non è stato rilasciato.
Come funziona il loop agentico
Antares non è valutato come un modello sequenziale a sé: gira dentro un loop vincolato con tre tool. Riceve solo la descrizione di una categoria CWE — nessun advisory, nessun suggerimento sui file — ed emette comandi da terminale in sola lettura contro un sandbox Docker con networking disabilitato. L’output dei comandi è troncato a 2.000 caratteri, il budget è di 15 chiamate al terminale per task, e il modello termina proponendo una lista ordinata di file o dichiarando l’assenza di vulnerabilità.
VLoc Bench attinge a 500 task da 290 repository reali, su sei ecosistemi (npm, pip, Maven, Go, Rust, Composer), coprendo 147 categorie CWE; il 78% degli item ha un identificatore CVE. La ground truth deriva dai file modificati nella patch di sicurezza.
La capacità viene dal post-training
Tutti e tre i modelli partono da checkpoint IBM Granite 4.0. Interessante: le basi non addestrate segnano circa 0,000 di File F1 sotto lo stesso protocollo. Il supervised fine-tuning fa il grosso del lavoro, portando i tre modelli a 0,108, 0,188 e 0,198; la GRPO aggiunge un 11-25% e — dato forse più rilevante per una scansione CI ripetibile — riduce la deviazione standard run-to-run del 42-65%.
Il confronto con i tool statici è netto sotto la stessa valutazione: Semgrep segna 0,086, CodeQL 0,023, Horusec 0,020. E il costo è basso: uno sweep completo da 500 task costa meno di 1 dollaro su una singola H100, contro 12,50 dollari per GLM-5.2 e 141 dollari per GPT-5.5. Cisco è esplicita: Antares non sostituisce il resto della toolchain di application security, ma copre la prima fase di triage dove il costo si concentra.
In sintesi
- Antares-350M e Antares-1B sono SLM open-weight (Apache 2.0) per la vulnerability localization, con il benchmark VLoc Bench.
- Antares-1B segna 0,209 File F1, sopra un modello open da 753B; il grosso della capacità viene dal post-training (SFT più GRPO).
- Uno sweep da 500 task costa meno di 1 dollaro su una H100, contro i 141 di GPT-5.5; il modello non sostituisce la toolchain, copre il triage iniziale.
Fonte: Cisco Foundation AI Releases Antares: 350M and 1B Open-Weight Models That Localize Known Vulnerabilities Inside Real Codebases — https://www.marktechpost.com/2026/07/21/cisco-foundation-ai-releases-antares-350m-and-1b-open-weight-models-that-localize-known-vulnerabilities-inside-real-codebases/
Hai qualcosa da aggiungere? Unisciti alla discussione.