思科发布Antares 350M/1B开源模型：精准定位代码库已知漏洞，1B模型性能超753B大模型

一句话看懂

思科基金会AI发布Antares系列小模型（350M/1B），专为代码库已知漏洞定位设计，1B模型性能超越753B大模型，500个任务扫描成本不到1美元。

详细发生了什么

思科基金会AI（Cisco Foundation AI）发布了Antares系列安全小语言模型（SLM），专注于漏洞定位这一窄任务：给定漏洞描述和代码仓库，找出包含缺陷的文件。模型基于IBM Granite 4.0检查点初始化，采用decoder-only transformer架构，支持grouped-query attention、SwiGLU MLP、RMSNorm、RoPE等。

目前开源两个版本：Antares-350M（32K context）和Antares-1B（128K context），均采用Apache 2.0许可，可在Hugging Face下载。同时发布的还有VLoc Bench基准测试，包含500个任务，覆盖npm、pip、Maven、Go、Rust、Composer六大生态系统的290个真实仓库。

关键结果：Antares-1B在File F1上达到0.209，高于753B参数的GLM-5.2（0.186）和Gemini 3 Pro（0.102），仅低于GPT-5.5（0.229）。Antares-3B（未发布）达到0.223。未训练的Granite 4.0基础检查点得分接近0，说明后训练贡献了几乎所有能力。

模型通过agent循环工作：接收CWE类别描述，在Docker沙箱中执行只读终端命令（最多15次调用），最终提交漏洞文件列表。GRPO强化学习使File F1提升11%-25%，并将运行间标准差降低42%-65%。

中文圈视角

对中文开发者而言，Antares的实用价值在于：

直接可用性：模型开源且采用Apache 2.0许可，国内开发者可直接从Hugging Face下载，无需梯子（但Hugging Face访问可能受限，建议通过ModelScope或阿里云镜像获取）。
国产平替对比：国内类似产品如DeepSeek-Coder、CodeGeeX、通义灵码等，但均未专门针对漏洞定位优化。Antares的窄任务设计使其在特定场景下效率极高，1B模型即可在单卡H100上13分钟完成500个任务扫描，成本不到1美元。
场景影响：对国内安全团队（如绿盟、奇安信、腾讯安全等）的代码审计流程有直接参考价值。可集成到CI/CD流水线中，作为第一道漏洞筛选工具。但需注意，Antares仅定位已知漏洞（基于CVE/CWE），无法发现零日漏洞。
监管盲点：目前国内对AI辅助代码安全审计的监管尚不明确，但使用开源模型本地部署可避免数据出境问题。Antares的Docker沙箱设计也符合数据安全要求。

几条值得记住的细节

Antares-1B在VLoc Bench上File F1达0.209，召回率最高（0.224），超过753B的GLM-5.2。
500个任务扫描在单张H100上运行约13分钟，成本低于1美元；GPT-5.5相同任务需141美元。
模型基于IBM Granite 4.0检查点，后训练（SFT+GRPO）贡献了几乎全部能力，基础模型得分接近0。
GRPO将运行间标准差降低42%-65%，使结果更可靠，适合CI/CD重复扫描。
最强变体Antares-3B（128K context）未发布，且目前没有Phase B（误报率）的公开数据。

一句话总结

Antares证明：针对窄任务的小模型可以比通用大模型更高效、更便宜，国内安全团队值得关注并尝试集成到代码审计流程中。