思科开源 Antares：小模型精准定位代码漏洞

思科（Cisco）正式推出 Antares——一组专为代码漏洞定位（vulnerability localization）设计的开源小语言模型（SLM），首批开源版本为 Antares-350M 与 Antares-1B，已在 Hugging Face 上开放权重下载，并配套发布全新的 Vulnerability Localization Benchmark。Cisco 表示，在该基准上 Antares 的表现优于多个规模更大的闭源与开源模型，同时推理成本仅为后者的极小一部分，且具备本地运行能力，敏感代码无需上传至云端。Antares-3B 计划后续推出。

围绕"小而精"的安全工作流

软件安全的核心难点之一，是把 CVE、CWE 等外部漏洞知识与内部代码对应起来：仓库体量大、安全信号嘈杂、相关证据分散在多个文件中。安全分析师通常需要顺着命名约定、调用路径、候选文件逐层排查，才能判断某段代码是否真的存在缺陷。同时，企业级安全工具不仅要"能干活"，还得"用得起"——小模型可显著降低推理成本，支持本地或私有化部署，便于把敏感源代码留在企业内。Antares 正是在这两类需求之间寻找平衡：体积小、可本地化、可嵌入流水线，又能在漏洞定位这一专业任务上提供接近大模型的能力。

技术思路：学习搜索策略，而非堆参数

Antares 的设计灵感来自 Cisco Foundation AI 团队的前期研究：紧凑模型同样可以学习"搜索、反思、修正策略、在路径无效时回溯"等行为。换句话说，有效的检索能力并不只来自模型规模，也可来自"被训练出来的搜索策略"。Antares 把这一思路迁移到漏洞定位场景：模型从一段漏洞描述出发，先在仓库中搜索相关模式，再读取候选文件、纳入新证据；当某条路径不再有价值时及时转向，最终收敛到最可能存在漏洞的文件列表。其输出是一份按可能性排序的源文件清单，供安全工程师进一步复核。

典型用例与生态配套

Antares 面向的工作流包括：按 CWE 类别在仓库快照中定位可疑文件、对安全公告触发的调查进行分诊、为静态分析补充模型驱动的探索能力、在 CI/CD 中对待审文件做早期筛选，以及在合规要求严格的本地环境中执行分析。Cisco 同时推动开放规范 Foundry Security Spec、安全编码指南 CodeGuard 等组件，尝试围绕 Antares 构建一套可被企业复用的安全 AI 工具标准。

行业评价

新加坡国立大学（NUS）计算机系副教授 Reza Shokri 表示，Antares-1B 在多种漏洞类别与编程语言上识别能力稳定，可本地运行且速度足以实时对 agent 输出做拦截，对代理化开发流程尤为实用；斯坦福大学语言、数据与推理实验室主任 Amin Saberi 认为，在攻击方已经在用 AI 的当下，这种"近前沿精度 + 极低成本 + 每次提交都可执行"的形态，是让常态化代码安全扫描真正可行的关键。