Cisco ha appena rilasciato Antares, una famiglia di modelli linguistici compatti pensati per uno dei lavori più noiosi e costosi nella sicurezza informatica: capire dove diavolo si nascondono le vulnerabilità note dentro una codebase.
Due modelli — Antares-350M e Antares-1B — sono già disponibili su Hugging Face con pesi aperti. E qui arriva la parte interessante: nei benchmark battono modelli molto più grandi, proprietari e costosi, in questa specifica task di sicurezza. A una frazione del costo. E sono abbastanza leggeri da girare in locale, il che significa che il vostro codice sensibile non deve mai uscire dall’infrastruttura aziendale.
Perché servivano modelli piccoli per un problema così grande
La sicurezza del software si basa su un lavoro ingrato: collegare database pubblici di vulnerabilità, advisory CVE e descrizioni CWE al codice interno. Semplice sulla carta, un incubo nella pratica. I repository sono enormi, i segnali di sicurezza sono rumorosi, e le prove rilevanti raramente stanno tutte in un punto ovvio.
Gli analisti devono scandagliare codice che non hanno scritto, seguire convenzioni di naming che cambiano ogni tre file, ispezionare call path, confrontare file candidati, e decidere se una debolezza è reale o un falso positivo. Roba che costa tempo, competenza e risorse.
E poi c’è il problema pratico: le organizzazioni hanno bisogno di strumenti di sicurezza che non solo funzionano, ma che puoi effettivamente mettere in produzione. Modelli compatti riducono i costi di inferenza, girano on-premises, e permettono di tenere il codice sorgente sensibile nel proprio ambiente. Antares può portare AI-assisted security a università, settore pubblico, e team di sicurezza più piccoli che finora non potevano permettersi di bruciare migliaia di token per task critiche.
Come dice Reza Shokri, professore di Computer Science alla National University of Singapore: ‘Il software ha sempre avuto vulnerabilità, e enormi quantità di codice legacy portano ancora falle latenti. L’AI ora preme il problema da entrambi i lati: gli agenti scrivono sempre più codice, e diventano capaci di sfruttarlo. Questo rende la verifica continua ed economica un controllo che deve stare vicino al loop, controllando il codice prima che atterri.’
Come lavora Antares (e perché non è il solito modello di coding)
Gli strumenti di analisi statica tradizionali sono utili, ma pieni di regole rigide e producono risultati che richiedono ore di triage. I modelli generici di coding possono ragionare sul codice, ma non sono ottimizzati per investigazioni di sicurezza, navigazione da terminale, o localizzazione strutturata di vulnerabilità.
Antares è stato progettato per quel territorio di mezzo. Il team di Cisco Foundation AI ha dimostrato che modelli compatti possono imparare a cercare, riflettere, rivedere la strategia, e tornare indietro quando un percorso è improduttivo. In altre parole: comportamenti di retrieval utili possono venire da strategie di ricerca apprese, non solo dalla scala del modello.
La domanda successiva era: la stessa idea può aiutare con un problema di sicurezza urgente del mondo reale? La localizzazione di codice vulnerabile.
Antares segue un pattern di ricerca iterativo che ricorda come un investigatore umano lavora attraverso un repository. Parte da una descrizione di vulnerabilità, cerca pattern di codice rilevanti, legge file candidati, incorpora nuove evidenze, cambia direzione quando un percorso è inutile, e si restringe verso i file che probabilmente contano davvero.
L’obiettivo non è sostituire il giudizio esperto, ma rendere le prime fasi del triage di vulnerabilità su codice sorgente più veloci, ripetibili, e facili da rivedere.
Workflow supportati
In pratica, Antares può supportare scenari come:
- Localizzare file relativi a una categoria CWE in uno snapshot di repository
- Fare triage di investigazioni di sicurezza guidate da advisory
- Aumentare l’analisi statica con esplorazione del repository guidata dal modello
- Supportare workflow di triage CI/CD dove file potenzialmente vulnerabili richiedono revisione anticipata
- Abilitare analisi di sicurezza locale in ambienti con requisiti stringenti di privacy o compliance
Antares restituisce una lista classificata di file sorgente che probabilmente contengono una vulnerabilità rilevante, insieme alla traccia di esplorazione del terminale che ha portato a quel risultato. I team di sicurezza possono usare quell’output per dare priorità alla revisione degli analisti durante il triage di advisory, investigazioni CWE mirate, o controlli di sicurezza CI/CD.
Diciamocelo chiaramente: Antares non sostituisce la toolchain di application security nel suo insieme. I team hanno ancora bisogno di dependency analysis, secret scanning, test dinamici, controlli su infrastruttura e container, threat modeling, workflow di remediation, e revisione esperta.
Il benchmark che mancava
Costruire un modello per la localizzazione di codice vulnerabile ha sollevato un problema di misurazione immediato. Non potevano affidarsi solo ai benchmark generici di coding, perché Antares non punta alla risoluzione generica di issue, generazione di patch, o ricerca di codice ad ampio spettro.
È pensato per task di localizzazione specifiche di sicurezza: dato un contesto di sicurezza limitato, identifica i file sorgente che più probabilmente contengono una vulnerabilità.
Il lavoro adiacente più vicino è CodeScout, che valuta agenti di code-search basati su terminale su benchmark di software engineering come SWE-Bench Verified, Pro e Lite. Ma questi benchmark tipicamente misurano se un agente può trovare codice rilevante per un issue software o task di sviluppo, non se può localizzare file vulnerabili da descrizioni CWE-style, advisory di sicurezza, o classi di vulnerabilità.
Questo gap ha ispirato il Vulnerability Localization Benchmark: 500 task che richiedono ai modelli di navigare simultaneamente codebase sconosciute in modo efficiente e riconoscere pattern di vulnerabilità associati a categorie CWE specifiche.
Perché open-weight
Cisco rilascia Antares come open-weight perché la community di sicurezza ha bisogno di building block più accessibili per difesa pratica a livello di repository.
Il triage di vulnerabilità è costoso. Richiede expertise, tempo, infrastruttura, e accesso a codice sensibile. Questi costi sono sentiti più duramente dalle organizzazioni che già operano con risorse di sicurezza limitate: università, istituzioni di ricerca, nonprofit, e team del settore pubblico che mantengono ancora software importante.
Come sottolinea Amin Saberi, Professor of Management Science and Engineering a Stanford: ‘La sicurezza non può essere un bene di lusso, eppure il rilevamento avanzato basato su AI è appartenuto in gran parte a organizzazioni con budget da frontier-scale. I risultati di Antares cambiano quell’equazione: accuratezza near-frontier sul ragionamento di codice sicuro a una frazione del costo, abbastanza veloce da girare su ogni commit.’
E i numeri parlano chiaro. Sul vulnerability localization benchmark, la famiglia di modelli Antares completa le run a costi stimati e runtime sostanzialmente inferiori rispetto a modelli di confronto molto più grandi.
Un passo avanti focalizzato
Antares è parte di uno sforzo più ampio di Cisco per far avanzare come le organizzazioni di sicurezza usano l’AI in modo responsabile, misurabile, e al servizio dei difensori.
Con Foundry Security Spec, Cisco ha condiviso un blueprint model-agnostic per costruire sistemi di valutazione di sicurezza agentici con ruoli chiari, guardrail, e output revisionabili. Con CodeGuard, Cisco ha contribuito regole e skill secure-by-default che possono guidare gli agenti di coding AI verso sviluppo software più sicuro. Con Antares, stanno aggiungendo modelli di sicurezza compatti e un benchmark focalizzato sulla localizzazione di vulnerabilità a livello di repository.
Gli sforzi di Cisco sono connessi da una convinzione comune: l’AI nella sicurezza deve andare oltre demo impressionanti una-tantum e verso sistemi che i professionisti possono valutare, governare, e migliorare.
Foundry Security Spec aiuta a definire il framework attorno al lavoro di sicurezza agentico. CodeGuard aiuta ad alzare il livello per la prevenzione catturando pratiche di coding sicuro in un corpus di regole riusabili. Antares aiuta con il costoso step di localizzazione, restringendo l’intelligence sulle vulnerabilità a file sorgente che i revisori umani possono ispezionare.
Presi insieme, questo lavoro può aiutare la community a costruire una fondazione più duratura per la difesa assistita da AI: specifiche aperte, conoscenza di sicurezza riusabile, modelli compatti deployabili, e benchmark che rendono il progresso misurabile.
I modelli Antares-350M e Antares-1B sono disponibili su Hugging Face. Antares-3B arriverà presto. Per chi vuole approfondire benchmark e metodologia di valutazione, c’è il paper tecnico completo.
