Cisco 发布 Antares：小参数模型在漏洞定位任务上超越千亿级大模型

Cisco Foundation AI 正式发布了 Antares，这是一系列专为漏洞定位（Vulnerability Localization）设计的轻量级开放权重语言模型。通过针对性的后训练和智能体循环优化，仅拥有 10 亿参数的 Antares-1B 在真实代码库的漏洞文件定位任务中，表现优于参数量高达 7530 亿的 GLM-5.2 以及 GPT-5.5 等顶级通用模型。

• 官方介绍：https://blogs.cisco.com/ai/introducing-antares-the-most-efficient-open-weight-ai-models-for-vulnerability-localization
• 模型：https://huggingface.co/collections/fdtn-ai/antares

Antares 的核心理念是：在狭窄且定义明确的安全任务中，专用的后训练策略比单纯的参数规模扩展更有效。

核心突破：以小博大的性能表现

在 Cisco 发布的 Vulnerability Localization Benchmark (VLoc Bench) 评估中，Antares 展现了惊人的效率与精度：

• 成本优势：在单个 H100 GPU 上完成一次完整的 500 任务扫描，Antares-1B 的成本低于 1 美元，而 GPT-5.5 高达 141 美元。
• 高召回率：Antares-1B 记录了所有评估系统中最高的召回率（0.224），意味着它能发现更多潜在的漏洞文件。

技术架构：从 Granite 到 Antares

Antares 系列基于 IBM Granite 4.0 检查点初始化，采用 Decoder-only Transformer 架构，共享分词器、分组查询注意力（GQA）、SwiGLU MLP 等组件。

• Antares-350M：3.5 亿参数，上下文 32K。
• Antares-1B：16 亿参数，上下文 128K（已开源）。
• Antares-3B：30 亿参数，上下文 128K（暂未开源）。

关键训练策略：SFT + GRPO

未经训练的 Granite 基础模型在该任务上的得分几乎为 0。能力的提升主要源于两阶段后训练：

1. 监督微调 (SFT)：使用包含网络安全推理、代码搜索轨迹的语料库，将模型从“无知”提升至具备基本工具调用能力。
2. 组相对策略优化 (GRPO)：通过可验证的程序化奖励（而非学习的奖励模型），进一步提升了 11%-25% 的性能，并将运行间方差降低了 42%-65%，显著提高了结果的稳定性。

智能体工作流：受限循环中的自主探索

Antares 并非简单的文本生成模型，而是一个嵌入在智能体循环中的系统：

1. 输入：仅接收 CWE（常见弱点枚举）类别描述，无具体公告或文件提示。
2. 环境：在禁用网络的 Docker 沙箱中运行，对目标仓库进行只读访问。
3. 工具调用：模型可发出终端命令（如 grep, find），输出被截断为 2000 字符以防止信息过载。
4. 预算限制：每个任务最多 15 次终端调用。
5. 提交：最终提交一个排名后的易受攻击文件列表，或声明未发现漏洞。

VLoc Bench：基于真实世界补丁的基准测试

Cisco 同时开源了 VLoc Bench，这是一个包含 500 个任务的评估基准，源自 290 个真实世界的 GitHub 仓库（涵盖 npm, pip, Maven, Go, Rust, Composer 等生态系统）：

• 阶段 A（定位）：在易受攻击的代码快照上评分，衡量模型找到正确文件的能力（文件 F1）。
• 阶段 B（防误报）：在已打补丁的代码快照上评分，衡量模型是否会在修复后错误地标记文件（真阴性率）。

战略意义与应用场景

Cisco 强调，Antares 并不旨在替代现有的应用安全工具链（如 SAST/DAST 扫描器、秘密扫描等），而是作为补充：

• 降低噪音：传统静态分析工具往往产生大量误报，Antares 可以通过理解仓库上下文和调用路径，更精准地定位真正受影响的文件。
• 加速响应：在面对新的 CVE 时，安全团队可以利用 Antares 快速筛选出需要人工审查的高风险文件，大幅缩短修复时间。
• 低成本集成：由于模型小巧且开源，企业可以轻松将其集成到本地的 CI/CD 管道中，无需依赖昂贵的云端 API。