Cisco wypuszcza małe modele AI do wykrywania luk w kodzie – szybsze i tańsze niż GPT-5.5
W skrócie
- Cisco udostępniło dwa otwarte modele AI – Antares-350M i Antares-1B – wyspecjalizowane w wykrywaniu podatności w kodzie źródłowym.
- W testach Cisco modele przeskanowały 500 repozytoriów w około 15 minut za mniej niż 1 dolar, podczas gdy GPT-5.5 wykonał to samo zadanie w 5 godzin za ponad 100 dolarów.
- Cisco zachowuje dla siebie większy wariant o 3 miliardach parametrów, który według firmy dorównuje GPT-5.5 i przewyższa otwarte modele nawet 200 razy większe od siebie.
Cisco opublikowało dwa małe, otwarte modele sztucznej inteligencji przeznaczone do cyberbezpieczeństwa: Antares-350M oraz Antares-1B the-decoder.com.
Oba zostały zaprojektowane z myślą o automatycznym wykrywaniu podatności w kodzie źródłowym i są dostępne publicznie za pośrednictwem platformy Hugging Face.
Wydajność i koszt – główne argumenty Cisco
Głównym atutem, na który stawia Cisco, jest stosunek skuteczności do ceny. Według testów przeprowadzonych przez firmę i opisanych przez Axios, modele Antares przeskanowały 500 repozytoriów kodu w około 15 minut za mniej niż 1 dolar. GPT-5.5 wykonał to samo zadanie w ciągu pięciu godzin, a koszt przekroczył 100 dolarów the-decoder.com.
Deweloper Aman Priyanshu wskazał na platformie X, że najmniejszy model – Antares-350M – wykrywa około 150 razy więcej podatności na każdy wydany dolar w porównaniu z dużymi agentami AI, takimi jak Devin Security Swarm firmy Cognition the-decoder.com.
Lokalne działanie i dane treningowe
Oba modele działają lokalnie, co oznacza, że analizowany kod nigdy nie opuszcza infrastruktury firmy – istotna cecha z punktu widzenia bezpieczeństwa i poufności danych the-decoder.com.
Zgodnie z raportem technicznym opublikowanym przez Cisco, modele były trenowane na danych, z których około 72 procent stanowiły materiały dotyczące koncepcji bezpieczeństwa, a 15 procent – historii wyszukiwania kodu the-decoder.com.
Większy wariant tylko dla produktów Cisco
Firma zachowuje dla siebie trzeci, większy wariant modelu o 3 miliardach parametrów. Według dostępnych informacji jego skuteczność jest zbliżona do GPT-5.5, a jednocześnie przewyższa otwarte modele o rozmiarze nawet 200 razy większym the-decoder.com.
Ten wariant nie zostanie udostępniony publicznie – Cisco planuje zintegrować go z własnymi produktami.
Dodatkowo firma rozważa powołanie branżowego konsorcjum skupionego na otwartych narzędziach AI dla sektora bezpieczeństwa the-decoder.com.
Co to oznacza
Publikacja modeli Antares wpisuje się w szerszy trend, w którym duże firmy technologiczne rezygnują z podejścia „jeden duży model do wszystkiego" na rzecz małych, wyspecjalizowanych modeli dostrojonych pod konkretne zadania. W cyberbezpieczeństwie, gdzie liczy się zarówno szybkość reakcji, jak i poufność analizowanego kodu, takie podejście ma wyraźną przewagę praktyczną.
Dla polskich firm i zespołów bezpieczeństwa oznacza to dostęp do narzędzia, które można uruchomić lokalnie – bez przesyłania wrażliwego kodu do zewnętrznych serwerów – i które kosztuje ułamek tego, co komercyjne alternatywy oparte na dużych modelach językowych. To szczególnie istotne w kontekście regulacji takich jak RODO, które nakładają ograniczenia na przetwarzanie danych poza kontrolowanym środowiskiem.
Jeśli Cisco rzeczywiście zbuduje branżowe konsorcjum wokół otwartych narzędzi AI dla bezpieczeństwa, może to przyspieszyć standaryzację i współdzielenie wiedzy o podatnościach między firmami – co dotychczas było jedną z największych bolączek całej branży.
Szerszy kontekst
Podczas gdy zespoły ds. oprogramowania w przedsiębiorstwach mogą używać AI do identyfikowania luk bezpieczeństwa, koszt tokenów — szczególnie w przypadku modeli granicznych — oraz ryzyko związane z wysyłaniem zastrzeżonego kodu źródłowego do usług hostowanych w chmurze stanowią bariery dla adopcji. Cisco stara się temu zaradzić, wprowadzając Antares, rodzinę małych modeli językowych (SLM) zaprojektowanych specjalnie do lokalizowania podatności na poziomie repozytorium.
Foundation AI zadbało o to, aby w tym konkretnym przypadku użycia mały model mógł przeszukiwać, analizować, dostosowywać strategie, a nawet decydować o porzuceniu określonej ścieżki, jeśli nie prowadzi donikąd, i próbować innego podejścia.
Antares jest zaprojektowany jako model open-weight, ale zbudowany jako SLM, specjalnie do znajdowania znanych podatności w bazie kodu — innymi słowy, niskokosztowy, z niskim odsetkiem fałszywych alarmów, przy zachowaniu suwerenności danych; przewyższający zarówno otwarte modele GLM, jak i wielkoskalowe zamknięte modele graniczne LLM.
Każdy model zaczyna od opisu podatności, wyszukuje odpowiednie wzorce kodu, odczytuje pliki kandydujące, uwzględnia nowe dowody, zmienia kierunek, gdy dana ścieżka jest bezużyteczna, i zawęża poszukiwania do plików, które najprawdopodobniej mają znaczenie.
Analiza
Kluczowym przesłaniem premiery modeli Antares nie jest sam fakt, że są tanie i małe, lecz to, że Cisco udowadnia — na konkretnych liczbach — iż skala modelu przestaje być warunkiem koniecznym wysokiej skuteczności w wąsko zdefiniowanych zadaniach bezpieczeństwa. Jak wskazuje securityweek.com, modele działają według schematu przypominającego pracę ludzkiego analityka: zaczynają od opisu podatności, przeszukują wzorce kodu, czytają kandydujące pliki, uwzględniają nowe dowody i zmieniają kierunek, gdy dana ścieżka nie prowadzi do celu. To nie jest prosta klasyfikacja — to iteracyjne wnioskowanie, które dotychczas przypisywano wyłącznie dużym modelom granicznym. Badania zespołu Cisco Foundation AI wykazały, że kompaktowe modele potrafią uczyć się i rewidować strategie przeszukiwania, co obala założenie o konieczności skali (wg cxtoday.com).
Równie ważny jest kontekst rynkowy: tradycyjne narzędzia statycznej analizy kodu są reguło-ciężkie i generują wyniki wymagające żmudnego przeglądu, natomiast duże modele ogólnego przeznaczenia nie są zoptymalizowane pod kątem nawigacji po repozytoriach i strukturalnej lokalizacji podatności (wg cxtoday.com). Antares wypełnia tę lukę jako dodatkowa warstwa — nie zastępuje istniejących narzędzi, lecz przyspiesza pierwszą fazę analizy, wskazując, gdzie w kodzie szukać problemu opisanego np. w listach Common Weakness Enumeration (wg techzine.eu). Zachowanie przez Cisco modelu 3B wyłącznie dla własnych produktów to klasyczna strategia: otwartość buduje zaufanie i ekosystem, a zastrzeżony wariant staje się przewagą konkurencyjną w ofercie komercyjnej.
Dla organizacji działających pod presją regulacyjną — w tym polskich firm objętych RODO czy sektorowymi wymogami suwerenności danych — lokalne działanie modeli jest argumentem nie mniej istotnym niż cena. Jak podkreśla securityweek.com, korzystanie z dużych zamkniętych modeli graniczych może być wykluczone właśnie ze względu na przepisy dotyczące suwerenności danych, a nie tylko z powodu kosztów. Jeśli zapowiadane konsorcjum branżowe wokół otwartych narzędzi AI dla bezpieczeństwa rzeczywiście powstanie, może ono stworzyć wspólną bazę wiedzy o podatnościach — co byłoby istotną zmianą w branży, gdzie firmy historycznie niechętnie dzielą się informacjami o słabościach własnego kodu.