思科发布Antares开源安全小模型：专注漏洞定位

专注一项任务：漏洞文件级定位

思科基金会AI（Cisco Foundation AI）正式发布Antares——一个面向软件安全细分任务的开源小语言模型（SLM）家族。其唯一核心能力是漏洞定位（vulnerability localization）：给定一份漏洞描述（如CWE分类）和目标代码仓库，自动识别出包含该缺陷的具体源文件路径。目前，Antares-350M与Antares-1B两个版本已开放权重，采用Apache 2.0许可证，托管于Hugging Face平台。

配套基准：VLoc Bench首次定义真实场景评估标准

团队同步开源了漏洞定位基准测试集VLoc Bench，同样遵循Apache 2.0协议。该基准涵盖来自GitHub Security Advisories的500个真实任务，覆盖npm、pip、Maven、Go、Rust、Composer六大生态的290个独立开源仓库；涉及147种CWE类别，78%关联已分配CVE编号。标注依据为安全补丁中实际修改的源文件（排除测试、文档与配置文件）。评估分两阶段：Phase A在含漏洞的快照上计算File F1分数；Phase B在已修复快照上检验True Negative Rate，防止误报。

模型架构与训练方法：轻量但高度特化

Antares系列包含350M、1B、3B三档参数量模型，均基于IBM Granite 4.0检查点初始化，共享同一tokenizer与架构设计（分组查询注意力、SwiGLU前馈网络、RMSNorm、RoPE位置编码、共享输入输出嵌入）。其中350M与1B版本已开源，3B版本暂未发布。关键突破在于训练范式：未经微调的原始Granite基座模型在相同评估协议下File F1仅为0.001–0.000；经监督微调（SFT）后，三者分别提升至0.108、0.188、0.198；再通过GRPO强化学习进一步提升11%–25%，最终Antares-1B达0.209 File F1，Antares-3B达0.223，略低于GPT-5.5（0.229），但显著优于753B参数的开源模型（0.186）及Gemini 2.5 Flash（0.102）。

智能体工作流：受限终端交互驱动推理

Antares不作为纯文本生成模型运行，而是嵌入一个严格约束的工具调用智能体循环：模型仅接收CWE类别描述，无其他提示；在禁用网络的Docker沙箱中执行只读终端命令（如`find`、`grep`、`git log`）；每次输出截断至2000字符；每项任务最多15次调用；最终以`submit_vulnerable_files`或`submit_no_vulnerability_found`结束。输出包含排序后的文件路径列表及完整探索轨迹。

对比结果：小模型在专业任务上超越通用大模型与规则引擎

在VLoc Bench上，Antares-1B不仅File F1（0.209）领先同规模通用模型，更取得所有参评系统中最高召回率（0.224）。对比传统静态分析工具：Semgrep得分为0.086，CodeQL为0.023，Horusec为0.020。思科指出，规则类扫描器虽能捕获部分漏洞文件，但缺乏对仓库上下文的自适应理解能力，而Antares通过任务特化训练实现了本质差异。

定位而非替代：明确在安全工具链中的角色

思科强调，Antares不取代现有应用安全工具链——依赖扫描、密钥检测、动态测试、容器检查、威胁建模与人工评审仍不可或缺。其设计初衷是解决安全工程师在“初步研判”环节的高成本痛点：即如何快速将外部漏洞知识（如NVD、CWE数据库）映射到陌生、庞大、模块化且依赖复杂的内部代码库中。Antares旨在自动化这一耗时的手动 triage 步骤，而非提供修复建议或深度漏洞分析。

> 编者观点：Antares的实践表明，针对垂直安全场景的轻量化、工具增强型智能体，正成为大模型落地企业安全运营的新路径——中国企业可关注此类“小而专”的开源模型在DevSecOps流程中的嵌入机会，尤其适用于需快速响应开源组件漏洞的中大型研发组织。