A Cisco Foundation AI acaba de lançar o Antares, uma família de modelos de linguagem pequenos (SLMs) de código aberto voltados para uma única tarefa: localização de vulnerabilidades. Dada uma descrição de vulnerabilidade e um repositório de código, o Antares encontra os arquivos que contêm a falha.
São dois modelos com pesos abertos sob licença Apache 2.0 disponíveis agora no Hugging Face: o Antares-350M e o Antares-1B (há também uma versão de 3B mencionada no paper). Junto com os modelos, a Cisco publicou o VLoc Bench, um benchmark de 500 tarefas para avaliação agentiva de localização de vulnerabilidades, também sob Apache 2.0.
O resultado que importa
O Antares-1B atinge 0,209 de File F1. Para contexto: o GPT-5.5 chega a 0,229, e um modelo aberto de 753B de parâmetros chega a 0,186. Ou seja, um modelo 750 vezes menor compete com gigantes — e isso é o ponto central do projeto. Não é sobre bater o estado da arte, mas sobre mostrar que modelos pequenos e especializados são viáveis para segurança de código.
Ferramentas tradicionais de análise estática ficam bem atrás: Semgrep marca 0,086, CodeQL 0,023 e Horusec 0,020. A leitura da Cisco é que scanners baseados em regras até encontram alguns arquivos vulneráveis, mas não conseguem inspecionar o contexto do repositório de forma adaptativa.
Como o Antares funciona
O Antares não é um modelo de sequência comum. Ele roda dentro de um loop agentivo com três ferramentas e um orçamento de 15 chamadas de terminal por tarefa. O modelo recebe apenas a categoria CWE da vulnerabilidade — sem texto de advisory, sem dicas de arquivos, sem detalhes de severidade — e emite comandos somente leitura contra um sandbox Docker com rede desabilitada.
A saída é uma lista ranqueada de arquivos vulneráveis junto com o rastro de exploração que a produziu. O sandbox e o orçamento fixo forçam o modelo a explorar estrategicamente, não a varrer o repositório inteiro.
Os três modelos (350M, 1B e 3B) são transformers decoder-only inicializados a partir dos checkpoints do IBM Granite 4.0, com atenção grouped-query, MLPs SwiGLU, RMSNorm, RoPE e embeddings compartilhados de entrada/saída.
Treinamento: SFT + GRPO
O fine-tuning supervisionado (SFT) eleva os checkpoints base de 0,001/0,000/0,000 para 0,108/0,188/0,198 de File F1. O corpus de SFT é composto por 71,5% de raciocínio em cibersegurança, 15,4% de trajetórias de busca de código e 13,1% de pesquisa profunda e raciocínio geral — tudo gerado por um único modelo professor (GPT-OSS-120B) para evitar viés de distribuição entre professores diferentes.
Depois, o GRPO (Group Relative Policy Optimization) adiciona de 11% a 25% de ganho relativo, com o maior salto no modelo de 350M. As recompensas são totalmente programáticas e verificáveis, sem modelo de recompensa aprendido. O GRPO também reduz em 42% a 65% a variância entre execuções — uma execução pós-GRPO é uma estimativa muito mais confiável do que uma execução pós-SFT.
O benchmark VLoc
O VLoc Bench reúne 500 tarefas extraídas de 290 repositórios reais, cobrindo 147 categorias CWE únicas e seis ecossistemas: npm, pip, Maven, Go, Rust e Composer. Das entradas, 78% possuem identificadores CVE atribuídos. O ground truth é derivado dos patches de segurança — os arquivos modificados no fix são os labels, excluindo testes, documentação e configuração.
Por que isso importa
Conectar conhecimento externo de vulnerabilidades (CVE, CWE, advisories) ao código-fonte interno é um dos gargalos mais caros da segurança de software. Desenvolvedores gastam horas navegando bases de código que não conhecem bem, seguindo convenções de nomenclatura, inspecionando caminhos de chamada e comparando arquivos candidatos. O Antares ataca exatamente esse primeiro passo de triagem.
A Cisco é explícita: o Antares não substitui o toolchain de AppSec. Times ainda precisam de varredura de dependências, detecção de secrets, testes dinâmicos, análise de containers, modelagem de ameaças e revisão especializada. Mas um modelo de 1B que roda localmente e entrega uma lista ranqueada de arquivos suspeitos em 15 passos muda a economia da triagem inicial.
Com pesos abertos, licença permissiva e benchmark público, o Antares também estabelece uma linha de base reprodutível para pesquisa em segurança de código com modelos de linguagem — um campo onde benchmarks abertos ainda são raros.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
