Cisco Foundation AI выпустила Antares — семейство открытых small language models на 350M и 1B параметров, специально дообученных находить конкретные файлы с известными уязвимостями внутри реальных кодовых баз. Antares-1B набирает 0.209 File F1 на новом Vulnerability Localization Benchmark (VLB), обходя GLM-5.2 с 753B параметрами и Gemini 3 Pro. Полный 500-задачный прогон на одном H100 занимает около 13 минут и стоит меньше $1 — против $141 у GPT-5.5.
Контекст
Vulnerability Localization — задача, которую долго считали уделом больших универсальных моделей: взять CVE или известный паттерн уязвимости и найти точное место в реальном коде, где она живёт. До сих пор здесь работали через статический анализ (SAST-инструменты) и промпты к огромным LLM с дорогим инференсом. Cisco Foundation AI — исследовательское подразделение Cisco, сосредоточенное на безопасности, — поставило задачу иначе: не гигантский универсальный LLM, а компактная специализированная модель с пост-обучением на правильных данных.
Antares вышел в двух вариантах — 350M и 1B параметров, оба в открытом доступе (open-weight). Эталон сравнения — новый Vulnerability Localization Benchmark, 500 задач по реальным кодовым базам. Ключевая деталь из результатов: нетренированные чекпоинты Granite 4.0 того же размера набирают близко к нулю на том же бенчмарке. То есть почти весь прирост — не от архитектуры и не от масштаба, а от пост-обучения на специализированных данных.
Позиционирование — прямой вызов «дорогим» API-подходам к Code Security AI. GPT-5.5 стоит $141 за тот же 500-задачный прогон, который Antares-1B проходит на H100 за 13 минут и меньше доллара. Соотношение цены — более чем 140x при лучшем результате у более мелкой модели.
Аналитика
Главный сигнал здесь — не конкретная модель, а паттерн. Узкоспециализированные small models, натренированные на правильных данных, бьют универсальные гиганты в узкой задаче. Мы видели это в code completion, document extraction, классификации текста. Теперь — в security. Эффект пост-обучения, поставляющий «почти всю capability», ставит практический вопрос: зачем платить за универсальный API, если задача достаточно конкретна и данные для fine-tune доступны?
Нетренированные чекпоинты Granite 4.0 набирают около нуля на том же протоколе. Пост-обучение поставляет почти всю capability — не размер модели.
Открытый вес принципиален для корпоративного security. Код в приватных репозиториях — это IP. Отправлять его в GPT-5.5 или Gemini 3 Pro — compliance nightmare для большинства enterprise и особенно для госсектора, банков, телекома. Antares open-weight снимает это ограничение: модель запускается on-premise, данные не покидают периметр, аудит проходит внутри. Именно поэтому open-weight security models — не академический интерес, а практическая необходимость.
Если смотреть шире: Cisco входит в AI-инфраструктурную игру не через продукт с GUI, а через опубликованные модели и новый бенчмарк. Это ставка на developer mindshare — компании будут строить security pipelines на Antares, что создаёт экосистемный lock-in. Похожую стратегию ведут Meta (Llama), Alibaba (Qwen), DeepSeek. Cisco Foundation AI входит в этот клуб через вертикальную специализацию в security.
Кейсы применения в бизнесе
B2B-SaaS стартап с командой 5–15 разработчиков: Интегрировать Antares-1B в CI/CD пайплайн как pre-merge security gate. При каждом PR модель прогоняет diff и флагирует файлы с потенциальными CVE-паттернами. Стоимость — центы за прогон. Эффект: автоматический security review без найма AppSec-инженера, который на западном рынке стоит от $8K в месяц.
Корпорация с legacy кодом (банк, телеком, госсектор КР/СНГ): Запустить Antares локально для аудита устаревших кодовых баз объёмом в миллионы строк. Типичная проблема — код писался 10–15 лет, без актуального security coverage. Antares автоматически локализует файлы под известные CVE без ручного ревью каждой строчки. Первый прогон — скрининг, второй — приоритизация для команды безопасности. Данные при этом не покидают периметр.
IT-студия или аутсорс-команда (сценарий для ArdDev и похожих компаний): Добавить в deliverable клиенту security report с локализацией уязвимостей, сгенерированный Antares перед сдачей проекта. Дифференциатор при продаже: «мы сдаём код с автоматическим security scan по актуальным CVE». Стоимость добавления — минимальна, воспринимаемая ценность — высокая.
Кейсы в личной жизни
Разработчик-фрилансер: Запустить Antares-1B локально (или через HuggingFace inference) и прогнать свои пет-проекты перед тем, как выложить в портфолио или отдать клиенту. Находит уязвимые паттерны быстрее ручного аудита — и без отправки кода в облако.
Студент или джуниор, изучающий AppSec: Antares — практический обучающий инструмент. Запустить на известном уязвимом репозитории, посмотреть какие файлы модель флагирует — и разобраться почему. Учит думать о локализации уязвимостей структурно, а не интуитивно.
Контрибьютор open-source: Прогнать Antares по репозиторию перед отправкой крупного PR — покажет, не внёс ли случайно небезопасный паттерн. Особенно актуально для проектов без dedicated security review перед мёржем.
Как применить сегодня
- Найти Antares-350M и Antares-1B на HuggingFace (поиск «Cisco Foundation AI Antares») и запустить через transformers или vllm.
- Прогнать на своём репозитории по VLB-протоколу: задать задачу «в каких файлах живёт паттерн CVE-XXX?» и проверить результат против ручного ревью.
- Сравнить с бесплатными SAST-инструментами (Semgrep, Bandit) — Antares работает через другой механизм (language model, не rule-based) и даёт дополнительное покрытие там, где правила ещё не написаны.
- Для CI/CD: написать скрипт-обёртку, запускающий Antares на каждый PR с комментарием флагов в GitHub Actions — при стоимости меньше $1 за прогон это окупается с первой же найденной уязвимостью.
- Следить за Vulnerability Localization Benchmark как новым стандартом для сравнения security-oriented code models — Cisco предложила метрику, которая может стать ориентиром для конкурентов.