Cisco predstavio Antares: AI model za otkrivanje ranjivosti u kodu
Novi modeli od samo 1 milijardu parametara nadmašuju mnogo veće konkurente u lociranju bezbednosnih propusta u izvornom kodu.
U svetu bezbednosti softvera, lociranje tačno koje datoteke sadrže ranjivost opisanu u javnim bazama podataka je skup i dugotrajan proces. Cisco Foundation AI sada nudi rešenje - Antares, porodicu malih jezičkih modela specijalizovanih za ovu jednu usku, ali ključnu zadatku.
Dva modela su već dostupna besplatno na Hugging Face platformi: Antares-350M i Antares-1B, objavljeni pod Apache 2.0 licencom. Iako ne postižu apsolutni vrhunac u performansama, zanimljivo je da Antares-1B sa samo 1 milijardom parametara dostiže File F1 skor od 0.209, nadmašujući GLM-5.2 model sa 753 milijarde parametara (0.186) i približavajući se GPT-5.5 (0.229).
Kako model radi? Antares dobija samo opis ranjivosti iz CWE baze, bez dodatnih tragova ili saveta. Zatim u Docker sandboksu sa isključenim mrežnim pristupom izvršava do 15 terminal komandi da istraži kod, a zatim predaje rangiranu listu datoteka koje verovatno sadrže problem. Ceo proces košta manje od 1 dolara po proveri na jednom H100 akceleratoru, što je znatno jeftinije od alternativa.
Ključni napredak nije u samoj veličini modela, već u načinu obuke. Osnovni Granite 4.0 modeli IBM-a, od kojih Antares polazi, imaju skor blizu nule (0.001 do 0.000). Sva sposobnost dolazi kroz nadgledano fino podešavanje na 71.5% podataka iz oblasti bezbednosti i GRPO optimizaciju koja povećava pouzdanost rezultata.
VLoc Bench, takođe objavljen pod otvorenom licencom, sadrži 500 zadataka iz 290 stvarnih repozitorijuma sa GitHub-a, pokrivajući npm, pip, Maven, Go, Rust i Composer ekosisteme. Benchmark testira ne samo tačnost lociranja ranjivosti (File F1), već i sposobnost modela da ne lažno alarmira na već popravljen kod.
Iako Antares ne zamenjuje ceo lanac bezbednosnih alata, on može značajno ubrzati početnu fazu trijaže. Statistički alati poput Semgrepa (0.086) i CodeQL (0.023) daleko zaostaju u adaptivnom razumevanju konteksta repozitorijuma.
Najzanimljiviji aspekt je strategija koju modeli razvijaju - manji Antares-350M i 1B koriste 87-89% pretraživačkih komandi i predaju više datoteka, dok veći Antares-3B (koji nije objavljen) fokusira preciznost sa samo 52% pretraga. Ovo nije bilo eksplicitno nagrađivano, već je model sam naučio optimalan pristup.
Ostaje pitanje koliko će se ovakva specijalizovana rešenja integrirati u postojeće razvojne tokove, posebno s obzirom da Cisco još uvek nije objavio podatke o lažnim alarmima na popravljenom kodu.
