Cisco Antares mengecilkan AI security hingga 350M parameter, tetapi tidak menghapus kebutuhan scanner
Cisco merilis Antares-350M dan Antares-1B sebagai gated open-weight models yang menelusuri repository via terminal untuk melokalisasi vulnerability. Analisis arsitektur, benchmark VLoc Bench, dan batasan produksi.
- 350M & 1B
- ukuran model open-weight ter-gate
- 0,209 F1
- skor VLoc Bench Antares-1B
- ~$0,71
- estimasi biaya 500 tugas
Sebagian besar berita model AI masih bergerak dengan arah yang sama: lebih banyak parameter, lebih panjang context, lebih tinggi benchmark, dan lebih mahal inference. Cisco Antares bergerak ke arah sebaliknya. Model terkecilnya hanya 350 juta parameter. Model yang lebih serius berukuran 1 miliar. Keduanya tidak diminta menulis aplikasi, menjawab seluruh pertanyaan keamanan, atau melakukan penetration testing. Mereka dilatih untuk satu pekerjaan yang lebih sempit: menerima deskripsi CWE, masuk ke repository melalui terminal read-only, lalu menunjuk file mana yang paling mungkin memuat implementation flaw.
Pada benchmark baru Cisco, Antares-1B memperoleh File F1 0,209, mendekati GPT-5.5 xhigh di 0,229 dan berada di atas beberapa general-purpose model yang jauh lebih besar. Antares-3B mencapai 0,223, tetapi weights model terbaik ini belum dirilis publik. Cisco juga menghitung full 500-task sweep sekitar 15 menit pada satu H100 dengan biaya di bawah satu dolar, dibanding lebih dari seratus dolar untuk frontier API dalam setup mereka (S1, S2, S13).
Yang dilakukan Antares adalah localization, bukan menemukan semua bug
Istilah vulnerability detection sering mencampur beberapa pekerjaan yang berbeda. Sebuah tool dapat mengenali insecure pattern dalam satu function, menelusuri data flow, menghubungkan dependency dengan CVE, menjalankan dynamic test, menghasilkan exploit, menyarankan patch, atau menentukan apakah advisory tertentu berlaku pada repository internal. Antares hanya mengambil bagian tertentu dari rantai tersebut.
Input utamanya adalah CWE identifier dan generic category description. Model tidak menerima advisory lengkap, severity hint, file hint, patch, atau daftar candidate locations. Ia memperoleh read-only terminal access ke repository dan maksimal 15 commands. Dalam loop tersebut, model dapat memakai grep, find, cat, ls, dan Unix utilities lain untuk mencari pattern, membaca file, mengikuti naming convention, lalu mengubah hipotesis ketika evidence tidak mendukung jalur pertama. Hasil akhirnya adalah file paths yang dianggap rentan, bukan proof-of-concept exploit atau verified remediation (S2, S3, S4).
Search policy adalah produk utamanya
Antares dibangun dari IBM Granite 4.0 checkpoints, tetapi hasilnya tidak muncul hanya karena backbone kecil tersebut memiliki security knowledge. Technical report membandingkan base Granite dengan post-trained Antares. Granite 4.0 1B base hampir tidak menghasilkan localization score, sedangkan Antares-1B mencapai 0,209. Perubahan utama datang dari training policy, bukan hanya architecture (S2, S8).
Tahap pertama adalah supervised fine-tuning. Cisco melaporkan komposisi corpus 71,5% cybersecurity reasoning, 13,1% deep research and general reasoning, dan 15,4% code-search trajectories. Tahap kedua adalah Group Relative Policy Optimization (GRPO) pada complete multi-turn agent trajectories. Reward tidak hanya melihat jawaban akhir. Ia mencakup file-level localization quality, valid submission, tool-use compliance, dan exploration behavior (S2, S3).
Tiga ukuran model, tetapi hanya dua yang benar-benar tersedia
Cisco mendeskripsikan keluarga 350M, 1B, dan 3B. Antares-350M mempunyai 32K context dan ditargetkan untuk mobile or IoT tier. Antares-1B mempunyai 128K context dan ditargetkan pada laptop atau workstation. Antares-3B juga 128K dan ditargetkan pada laptop atau single GPU deployment. Namun koleksi resmi Hugging Face hanya memuat 350M dan 1B (S2, S5).
Kedua model yang dirilis memakai Apache 2.0, tetapi akses file tidak sepenuhnya terbuka. Hugging Face menampilkan model card secara publik, sementara download membutuhkan contact form dan setiap request ditinjau manual. Axios melaporkan Cisco melakukan vetting agar access diarahkan kepada cyber defenders dan menahan Antares-3B yang lebih capable untuk integrasi ke produk security sendiri (S3, S4, S13).
| VLoc Bench Model | Parameters | File F1 | Estimated Cost (500 tasks) |
|---|---|---|---|
| GPT-5.5 xhigh | Proprietary | 0,229 | ~$141.00 |
| Antares-3B (gated/withheld) | 3 Billion | 0,223 | ~$0.82 |
| GPT-5.5 default | Proprietary | 0,221 | ~$141.00 |
| Antares-1B (public gated) | 1 Billion | 0,209 | ~$0.71 |
| GLM-5.2 | Proprietary | 0,186 | ~$12.50 |
| Gemini 3 Pro | Proprietary | 0,152 | - |
| Antares-350M (public gated) | 350 Million | 0,135 | ~$0.60 |
Kesimpulan
Antares adalah salah satu contoh paling jelas bahwa masa depan enterprise AI tidak selalu berupa satu model besar untuk seluruh pekerjaan. Cisco mengambil backbone 350M dan 1B, melatihnya pada terminal trajectories dan verifiable rewards, lalu menghasilkan agent yang kompetitif pada task repository localization dengan biaya sangat rendah.
Namun keberhasilan relatif itu tidak boleh menutupi tiga batas. Pertama, benchmark dibuat oleh tim yang sama dan masih membutuhkan independent replication. Kedua, absolute performance rendah: 190 dari 500 tasks tidak diselesaikan model mana pun. Ketiga, model terbaik 3B belum tersedia publik. Nilai Antares adalah kemungkinan menaruh inexpensive security investigator di dekat setiap repository dan setiap commit, lalu menghubungkannya dengan static analysis dan human review.
