专为安全而生：Antares 小语言模型

7月21日，思科（Cisco）正式发布 Antares 系列小语言模型（SLM），专门用于代码仓库级别的漏洞定位（Vulnerability Localization）。首批开源的两款模型 Antares-350M 和 Antares-1B 已在 Hugging Face 上以开放权重形式发布，更大的 Antares-3B 模型将在后续推出。

与通用编程助手不同，Antares 不做代码生成，不回答编程问题，只专注于一件事：在庞大的代码仓库中，精准定位已知安全漏洞所在的源文件。思科首席 AI 科学家 Amin Karbasi 表示："一个漏洞可能只是百万行代码中的几行，Antares 的目标就是找到代码仓库中的这些'安全之针'。"

Antares 的设计理念是模拟安全研究员的调查方式。每个模型从漏洞描述出发，搜索相关代码模式，阅读候选文件，整合新证据，在路径无效时改变方向，逐步缩小范围，最终定位到最可能包含漏洞的文件。输出结果是一个排序后的源文件列表，附带了完整的探索轨迹。

性能惊人：成本仅为前沿模型的 1/172

思科自研的 Vulnerability Localization Benchmark（漏洞定位基准测试）包含 500 个任务，要求模型在陌生代码库中导航并识别与特定 CWE（通用弱点枚举）类别相关的漏洞模式。在该基准测试中，Antares 系列的表现令人瞩目。

数据显示，Antares-1B 在漏洞定位的 F1 分数上超越了 Google 的 Gemini 3 Pro 和智谱的 GLM-5.2，而尚未发布的 Antares-3B 更是接近 OpenAI GPT-5.5 的水平。但最令人震撼的是成本差异——Antares 完成一次完整评估的成本不到 1 美元，而 GPT-5.5 需要约 141 美元，成本差距高达 172 倍。在运行时间上，Antares 在单 GPU 上约 15 分钟即可扫描 500 个仓库，而 GPT-5.5 需要约 4.5 小时。

本地运行，保护代码安全

Antares 的另一大优势是可以在本地或本地服务器上运行。这意味着安全团队无需将敏感的源代码发送到云端 AI 服务，即可完成漏洞分析。对于金融、政务、国防等对数据安全有严格要求的行业，以及需要气隙网络（air-gapped）部署的组织而言，这一特性至关重要。

思科表示，Antares 特别适合大学、公共部门机构、非营利组织以及缺乏预算使用前沿模型的小型安全团队。这些组织维护着重要的软件，但往往没有资源支付高昂的 Token 费用。

思科 AI 安全战略的第三块拼图

Antares 是思科 AI 安全战略的最新一环。此前思科已发布了两项相关成果：Foundry Security Spec，一个用于构建智能体安全评估系统的开放蓝图；以及 CodeGuard，一个安全编码规则的开放框架，用于指导 AI 编程助手生成更安全的代码。

思科副总裁兼首席 AI 科学家 Amin Karbasi 表示，Antares 并不会取代安全工程师，而是让漏洞分类的第一阶段变得更快速、更可重复、更易于审查。安全团队仍然需要依赖分析、动态测试、人工审查等完整的应用安全工具链。

值得注意的是，思科对模型发布采取了审慎态度。Antares-350M 和 Antares-1B 以开放权重形式发布，但仅向经过验证的网络安全防御者开放下载。更强大的 Antares-3B 将不会公开发布，而是集成到思科自身的安全产品中，以防止被攻击者滥用。思科还与美国政府机构合作，对模型的安全性和发布流程进行了评估。

行业分析人士认为，Antares 的发布标志着 AI 安全工具正在从"通用大模型"向"专用小模型"方向演进。在成本、效率和数据安全的多重驱动下，针对特定安全任务优化的小模型有望成为网络安全防御的新主流。