В мире искусственного интеллекта, где гонка за параметрами часто затмевает практическую пользу, компания Cisco Foundation AI представила решение, которое бросает вызов самому устоявшемуся нарративу. Они выпустили Antares — семейство малых языковых моделей (SLM), созданных для одной узкой, но критически важной задачи: локализации уязвимостей в реальном коде. Это не просто еще одна языковая модель, это специализированный инструмент, который доказывает, что для конкретных задач безопасности «меньше» может быть не только «дешевле», но и «эффективнее».
Две модели из этого семейства — Antares-350M и Antares-1B — уже доступны с открытыми весами на платформе Hugging Face под лицензией Apache 2.0. Но самое интересное здесь не только в самих моделях, но и в том, как они работают. Cisco также представила VLoc Bench — бенчмарк из 500 задач для оценки агентов, который позволяет объективно сравнить производительность различных подходов. В этой статье мы подробно разберем, как устроена эта система, почему она превосходит некоторые из самых больших моделей в мире и как это может изменить подход к безопасности программного обеспечения в локальных средах, особенно для разработчиков из России.
01Проблема, которую решает Antares
Безопасность программного обеспечения традиционно опирается на два мира: внешние базы знаний об уязвимостях и внутренний исходный код. Внешние знания живут в публичных базах данных, рекомендациях по безопасности и классификациях Common Weakness Enumerations (CWE). Внутренний код находится в репозиториях, которые часто бывают огромными, модульными и насыщенными зависимостями. Связать эти два мира — сложная и дорогая задача.
Разработчикам приходится искать незнакомый код, следовать сложным соглашениям об именовании, анализировать пути вызовов и сравнивать кандидаты на наличие уязвимостей. Cisco позиционирует этот первый этап триажа (сортировки) как место, где сосредотачивается основная стоимость и время. Antares не пытается заменить весь стек инструментов безопасности приложения. Cisco прямо заявляет, что командам по-прежнему необходимы сканирование зависимостей, поиск секретов, динамическое тестирование, проверка контейнеров, моделирование угроз и экспертный обзор. Antares — это специализированный помощник на этапе первичного анализа, который сужает круг поиска.
02Архитектура моделей: от Granite к Antares
Семейство Antares состоит из трех трансформеров с декодером на 350 миллионов, 1 миллиард и 3 миллиарда параметров. Все три модели инициализируются на основе контрольных точек IBM Granite 4.0. Они используют общий токенизатор и архитектуру, включающую групповую запросную внимательность (grouped-query attention), многослойные перцептроны SwiGLU, нормализацию RMS, позиционное кодирование RoPE и общие входные/выходные эмбеддинги.
Важно отметить, что модель Antares-3B пока не выпущена, но ее характеристики известны. Вот как выглядят основные параметры:
- Antares-350M: 350 млн параметров, базовая контрольная точка Granite 4.0 350M, контекстное окно 32K, 28 слоев, 1024 скрытых единицы, 4 головы KV. Статус: открытые веса.
- Antares-1B: 1.6 млрд параметров (эффективно), базовая контрольная точка Granite 4.0 1B, контекстное окно 128K, 40 слоев, 2048 скрытых единиц, 4 головы KV. Статус: открытые веса.
- Antares-3B: 3 млрд параметров, базовая контрольная точка Granite 4.0 Micro, контекстное окно 128K. Статус: не выпущена.
03Как работает агентский цикл
Antares не оценивается как автономная последовательная модель. Она работает внутри ограниченного цикла с тремя инструментами. Это ключевой момент, отличающий Antares от обычных LLM. Модель получает описание категории CWE и ничего больше. Никакого текста рекомендаций, никаких подсказок по файлам, никаких деталей о серьезности. Затем она выдает команды терминала только для чтения в Docker-песочнице с отключенной сетью. Вывод команд обрезается до 2000 символов перед добавлением в транскрипт.
Бюджет составляет 15 вызовов терминала на задачу. Модель завершает работу, вызывая submit_vulnerable_files с ранжированным списком файлов или submit_no_vulnerability_found, если уязвимость не найдена. Сама отправка не учитывается в бюджете. На выходе мы получаем ранжированный список путей к файлам плюс трассировку исследования, которая к этому привела.
04VLoc Bench: как измеряется успех
VLoc Bench — это бенчмарк, который включает 500 задач, взятых из 290 уникальных репозиториев реального мира. Источниками служат публичные рекомендации по безопасности GitHub (GitHub Security Advisories) для шести экосистем: npm, pip, Maven, Go, Rust и Composer. Охватывает 147 уникальных категорий CWE, и 78% записей имеют присвоенные идентификаторы CVE.
Истинное положение (ground truth) выводится из патча безопасности. Файлы, измененные в исправлении, помечаются как уязвимые, при этом тесты, документация и конфигурационные файлы исключаются. Бенчмарк состоит из двух фаз:
- Фаза A: модели дается уязвимый снимок состояния, и оценивается File F1 (мера точности и полноты).
- Фаза B: модели дается исправленный снимок, и оценивается True Negative Rate (доля истинно отрицательных результатов), проверяя, не создает ли модель ложных срабатываний на исправленном коде.
05Результаты: специализация побеждает масштаб
Главный вывод данных — это не новый абсолютный рекорд, а демонстрация того, что специализированная модель меньшего размера может превзойти гораздо более крупные аналоги. Antares-1B достигает показателя File F1 на уровне 0.209. Для сравнения, GPT-5.5 достигает 0.229, а открытая модель с 753 миллиардами параметров GLM-5.2 показывает всего 0.186. Antares-350M достигает 0.135, что также выше, чем у Gemma-4-31B (0.101) и Gemini 2.5 Flash (0.102).
Antares-1B также зафиксировала самый высокий показатель полноты (recall) среди всех оцененных систем — 0.224. Это означает, что она лучше находит реальные уязвимости, чем многие гиганты, даже если немного уступает в точности.
Статические анализаторы кода, запущенные в той же среде, показали значительно худшие результаты: Semgrep — 0.086 File F1, CodeQL — 0.023, Horusec — 0.020. Cisco интерпретирует это так: правила-based сканеры восстанавливают некоторые уязвимые файлы, но не могут адаптивно исследовать контекст репозитория, как это делает агент Antares.
06Откуда берется способность?
Необученные базовые контрольные точки Granite 4.0 показывают File F1 на уровне 0.001, 0.000 и 0.000 соответственно в идентичном протоколе. У них есть способность вызывать инструменты, но внутри агентского цикла они выдают вырожденные результаты. Тяжелую работу выполняет контролируемое дообучение (SFT). Оно поднимает показатели трех масштабов до 0.108, 0.188 и 0.198. Корпус SFT состоит на 71.5% из рассуждений в области кибербезопасности, на 15.4% из траекторий поиска по коду и на 13.1% из глубоких исследований и общих рассуждений. Все траектории рассуждений получены от одного учителя — GPT-OSS-120B, чтобы избежать сдвига распределения между разными учителями.
Затем алгоритм GRPO (Group Relative Policy Optimization) добавляет от 11% до 25% к File F1, причем наибольшее относительное улучшение наблюдается у модели 350M. Награды (rewards) верифицируемы и вычисляются программно на основе текста траектории, без использования обученной модели вознаграждения. Компоненты охватывают качество локализации, поведение отправки, соблюдение использования инструментов, исследование и штрафы за некорректный вывод.
Существует также разделение в изученной стратегии, зависящее от масштаба. После GRPO модели 350M и 1B используют 87-89% команд поиска и отправляют больше файлов. Модель 3B settles at 52% поиска и 37% чтения, отправляя меньше файлов с более высокой точностью. Награда никогда не предписывала ни одну из этих политик — они возникли самостоятельно в процессе обучения.
07Развертывание и экономическая эффективность
Одним из самых впечатляющих аспектов Antares является экономическая эффективность. Полный проход по 500 задачам стоит менее $1 на одном GPU H100. Для сравнения, это против $12.50 для GLM-5.2 и $141 для GPT-5.5. Это делает Antares невероятно привлекательным для масштабирования в крупных проектах, где необходимо проверять множество репозиториев регулярно.
Для разработчиков, работающих в условиях ограниченного доступа к зарубежным облачным сервисам или стремящихся к импортозамещению в IT-инфраструктуре, возможность локального запуска модели размером в 1-3 миллиарда параметров на доступном оборудовании (включая потребительские видеокарты с 24 ГБ памяти, такие как RTX 3090/4090, через оптимизации типа GGUF или AWQ) открывает новые горизонты. Вы можете интегрировать Antares в свой локальный CI/CD пайплайн, не отправляя код в облако.
08Что это значит на практике
Antares-1B достигает 0.209 File F1 на VLoc Bench, превосходя GLM-5.2 с 753 миллиардами параметров и Gemini 3 Pro. Базовые контрольные точки Granite 4.0 показывают ~0.000 в том же протоколе, поэтому пост-обучение обеспечивает практически всю способность. GRPO добавляет 11-25% к File F1 и сокращает дисперсию от запуска к запуску на 42-65%, что имеет большее значение для повторяемых сканирований CI, чем просто средний балл. Полный проход по 500 задачам стоит менее $1 на одном H100, против $12.50 для GLM-5.2 и $141 для GPT-5.5. Самая сильная вариация, Antares-3B, не выпущена, и у Antares нет опубликованных чисел ложных срабатываний по Фазе B.
Однако, несмотря на впечатляющие результаты, важно сохранять реализм. Antares не заменяет комплексный подход к безопасности. Это инструмент для первичной фильтрации, который помогает разработчикам быстрее находить потенциальные проблемы в огромных кодовых базах. Для российских компаний и разработчиков, стремящихся к суверенитету в области ИИ и безопасности, Antares представляет собой ценный ресурс благодаря своей открытости, низкой стоимости и возможности локального развертывания. Он демонстрирует, что специализация и правильная архитектура обучения могут быть более эффективными, чем просто увеличение размера модели.
Вы можете ознакомиться с моделями на Hugging Face, изучить бенчмарк в репозитории GitHub и прочитать технический отчет для более глубокого понимания деталей. Это шаг вперед в направлении более умных, дешевых и доступных инструментов для кибербезопасности.
Исследуйте Модели на Hugging Face, Репозиторий бенчмарка и Технический отчет.
Источник: MarkTechPost ↗