Cisco выпустила компактные ИИ-модели для поиска уязвимостей без облака

Cisco выложила в открытый доступ две компактные ИИ-модели для поиска уязвимостей в коде. Запускать их можно локально — без отправки исходников во внешнее облако. Семейство Antares рассчитано на разработчиков, ИБ-команды и компании, которым нужно держать чувствительный код внутри своей инфраструктуры, но при этом не тратить много времени на первичный разбор опасных участков.

Компания открыла веса моделей Antares-350M и Antares-1B на Hugging Face и утверждает, что в своих тестах они обошли ряд более крупных закрытых и открытых систем именно в задаче локализации уязвимостей. Сценарий тут довольно узкий. Модель не пишет код и не объясняет архитектуру, а сопоставляет описание уязвимости с конкретными файлами и фрагментами репозитория.

На фоне растущего интереса к ИИ-инструментам для безопасной разработки Cisco делает ставку на компактность. У OpenAI, Anthropic и Google есть крупные универсальные модели, которые умеют анализировать код, но в корпоративной безопасности чаще нужны локальные решения, совместимые с закрытыми репозиториями и внутренними правилами доступа. И есть ещё один момент: спрос на небольшие специализированные модели растёт быстрее, чем рынок успевает оплачивать дорогие универсальные системы под каждую проверку.

Что умеют компактные ИИ-модели Antares

• Antares-350M и Antares-1B работают локально или в собственной инфраструктуре.
• Модели ищут потенциально опасные файлы в больших кодовых базах.
• Они учитывают описания уязвимостей, базы CWE и публичные сведения о проблемах безопасности.
• Система ведёт последовательный поиск и сохраняет историю своих шагов.
• Результат выдаётся как ранжированный список файлов, которые стоит проверить в первую очередь.

По описанию Cisco, Antares не заменяет классические инструменты защиты приложений. В этот набор по-прежнему входят анализ зависимостей, поиск секретов, динамическое тестирование и ручная проверка инженерами безопасности. Задача модели уже проще: сократить время на стартовый разбор репозитория, когда уязвимость известна по категории, CVE или типовой ошибке из CWE, но место, где она спрятана в коде, ещё нужно найти.

Для обучения и оценки Cisco собрала Vulnerability Localization Benchmark из 500 задач. В них модели нужно ориентироваться в незнакомых кодовых базах и находить файлы, связанные с конкретными классами уязвимостей. Такой бенчмарк полезен ещё и по другой причине: рынок ИИ для кибербезопасности быстро уходит от общих обещаний к более прикладным метрикам. Сколько файлов удалось сузить до проверки, сколько ложных срабатываний убрали, как быстро команда доходит до ручного анализа — вот что теперь начинает иметь значение.

У Antares понятный плюс и по порогу входа: модели маленькие, их проще разворачивать университетам, госструктурам и небольшим командам, у которых нет бюджета ни на крупные облачные сервисы, ни на дорогое железо. Если Cisco удастся закрепить результаты на практике, у компактных security-моделей появится ещё один аргумент в споре с универсальными ИИ-системами, которые хорошо держат диалог, но для локального аудита кода часто оказываются слишком тяжёлыми.