Antares: высокоэффективные модели с открытым весом для поиска уязвимостей

Безопасность кода — одна из самых горячих тем в современной разработке, и Cisco решила внести свой вклад, представив Antares. Это семейство открытых AI-моделей, специально обученных для локализации уязвимостей в исходном коде. Главная фишка — невероятная эффективность при относительно скромных размерах. В отличие от гигантских моделей общего назначения, Antares создавался как специализированный инструмент. Модели (Antares-2.5B и Antares-14B) на порядок меньше конкурентов, но показывают сопоставимые или даже лучшие результаты на бенчмарках вроде SV-Benchmark и CyberSecEval. Ключевой секрет — тонкая настройка на синтетических данных и использование техники Mixture of Agents (MoA), которая позволяет модели «перепроверять» собственные выводы. Почему это важно? Во-первых, открытый вес моделей (доступны на [Hugging Face](https://huggingface.co/cisco)) позволяет разработчикам и пентестерам разворачивать их локально, не отправляя чувствительный код в облако. Во-вторых, Antares не просто находит баги, но и объясняет, почему конкретный участок кода опасен, какую CWE (Common Weakness Enumeration) он представляет и как его исправить. Практическая ценность очевидна: вместо того чтобы прогонять код через десяток сканеров и тонуть в ложных срабатываниях, команды могут интегрировать Antares в CI/CD пайплайн. Модель работает и на уровне отдельных функций, и на уровне целых файлов, что закрывает потребности как мелких стартапов, так и крупных энтерпрайзов. Конечно, это не серебряная пуля — полной автоматизации поиска уязвимостей пока нет. Но Antares задаёт новый стандарт: узкоспециализированная open-source модель может быть быстрее, дешевле и безопаснее (в плане конфиденциальности данных), чем универсальные решения. Если вы работаете с безопасностью кода — стоит присмотреться. 📎 [Источник](https://blogs.cisco.com/ai/introducing-antares-the-most-efficient-open-weight-ai-models-for-vulnerability-localization)