Cisco Foundation AI发布Antares系列开源模型 实现代码漏洞精准定位

背景与意义

随着供应链攻击频发，开发者在海量代码库中快速定位已知漏洞的需求日益迫切。传统的规则‑based 静态分析工具虽能捕获已知模式，却缺乏对跨文件、跨依赖上下文的理解。Cisco Foundation AI借助大模型的语义推理能力，推出面向漏洞定位的专用小模型 Antares，首次以开源权重形式面向社区提供。

模型概述

• 模型规模：Antares‑350M、Antares‑1B（均为解码器‑only Transformer）
• 初始化：基于 IBM Granite 4.0 检查点
• 架构细节：Grouped‑Query Attention、SwiGLU MLP、RMSNorm、RoPE、共享词表与输入/输出嵌入
• 授权：Apache 2.0，代码与权重同步发布在 Hugging Face

评估基准 – VLoc Bench

VLoc Bench 是 Cisco 自研的漏洞定位基准，涵盖 500 条任务，来源于 290 个真实 GitHub 安全 Advisory，覆盖 npm、pip、Maven、Go、Rust、Composer 六大生态。每条任务要求模型在仅提供 CWE 描述的情况下，使用受限的终端工具在 Docker 沙箱中搜索代码，并返回受影响文件列表。

关键指标

• File F1（Phase A）: Antares‑1B 0.209，GPT‑5.5 0.229，GLM‑5.2（753B）0.186
• Recall: Antares‑1B 0.224，最高
• 成本: 单卡 H100 完成 500 任务约 13 分钟，费用 < $1；相同规模的 GPT‑5.5 约 $141

训练与微调策略

• 监督微调（SFT）：使用 71.5% 安全推理、15.4% 代码搜索轨迹、13.1% 通用推理的混合语料，教师模型为 GPT‑OSS‑120B
• 奖励模型‑无（GRPO）：基于轨迹文本计算程序化奖励，覆盖定位质量、工具使用合规性、输出完整性等六项，提升 11%‑25% 的 File F1，并显著降低运行方差 (42%‑65%)

部署与使用场景

Antares 通过 agentic loop 与三类工具交互：

1. 只读终端命令（最多 15 次）
2. 文件读取输出截断至 2000 字符
3. 最终提交受影响文件列表或无漏洞声明

该设计保证了在 CI/CD 环境下的可预测资源消耗，适合作为 漏洞 triage 的第一道防线，后续仍需配合依赖扫描、动态测试等传统安全工具。

业界影响

• 首次以 1 B 规模 的开源模型在漏洞定位任务上超越数百亿参数商业模型，证明了 任务特化 + 高质量微调 的成本效益
• 低成本评估方案为中小企业提供了可负担的 AI 安全方案，降低了对昂贵云服务的依赖
• 开源权重与基准公开，鼓励学术界与工业界进一步探索安全大模型的可解释性与鲁棒性

"Antares 展示了在特定安全任务上，小模型通过精细数据与奖励设计可以匹配甚至超越大模型的潜力。" — Cisco Foundation AI 技术负责人

结语

Antares 系列的发布标志着 开源安全大模型 进入实用阶段。随着更多社区贡献的微调数据和评测基准的完善，未来可能出现更轻量、更加精准的代码安全助手，为软件供应链安全提供持续、可扩展的 AI 能力。