Cisco veröffentlicht Open-Source-KI-Cybersecurity-Modelle, die GPT-5.5 zu einem Bruchteil der Kosten Konkurrenz machen
Wichtige Erkenntnisse
- •Cisco hat zwei Open-Source-KI-Modelle veröffentlicht, Antares-350M und Antares-1B, die speziell für die Identifizierung von Sicherheitslücken in Softwarecode entwickelt wurden.
- •Interne Benchmarks zeigen, dass das kleinste Modell etwa 500 Repositories in 15 Minuten für weniger als einen Dollar scannte, während OpenAIs GPT-5.5 für dieselbe Aufgabe fünf Stunden und über 100 $ benötigte.
- •Die Antares-Modelle können lokal auf der eigenen Infrastruktur einer Organisation ausgeführt werden, wodurch sichergestellt wird, dass sensibler Quellcode das Unternehmensumfeld nie verlässt.
- •Die Modelle wurden mit etwa 72 Prozent Sicherheitskonzeptdaten und 15 Prozent Codesuch-Historien trainiert, was eine auf Cybersicherheit ausgerichtete Trainingsmethodik widerspiegelt.
- •Cisco behält eine größere Version mit drei Milliarden Parametern für den internen Gebrauch vor und prüft die Gründung eines Branchenkonsortiums für offene KI-Sicherheitstools.
Cisco hat zwei Open-Source-KI-Modelle speziell für Cybersicherheitsanwendungen vorgestellt. Die Modelle mit den Namen Antares-350M und Antares-1B sollen Sicherheitslücken in Softwarecode identifizieren und bieten Organisationen eine kostengünstige Alternative zu großen kommerziellen KI-Systemen.
Die Modelle sind auf Hugging Face verfügbar. Ciscos zentrales Verkaufsargument konzentriert sich auf Effizienz und Mehrwert. Entwickler Aman Priyanshu erklärte auf X, dass das kleinste Modell, Antares-350M, pro ausgegebenem Dollar etwa 150-mal mehr Schwachstellen erkennt als große KI-Agenten wie Cognitions Devin Security Swarm.
Laut Axios zeigten Ciscos interne Benchmark-Tests, dass Antares 500 Code-Repositories in etwa 15 Minuten für weniger als einen Dollar scannte. Im Vergleich dazu benötigte OpenAIs GPT-5.5 für dieselbe Aufgabe fünf Stunden und verursachte Kosten von über 100 $.
Ein bemerkenswerter Vorteil der Antares-Modelle ist ihre Fähigkeit, lokal auf der eigenen Infrastruktur einer Organisation ausgeführt zu werden, was bedeutet, dass sensibler Quellcode das Unternehmensumfeld nie verlässt. Dies geht auf eine bedeutende Sorge von Unternehmen ein, die proprietäre oder regulierte Codebasen verwalten, bei denen externe KI-Dienste Fragen zu Datenverwaltung, Compliance und Vertraulichkeit aufwerfen können.
Die Veröffentlichung passt auch zu einem breiteren Wandel bei KI-Sicherheitstools hin zu kleineren, aufgabenbezogenen Modellen, die in Entwickler-Workflows, Code-Reviews und die Triage von Schwachstellen integriert werden können, ohne den Infrastruktur-Fußabdruck allgemeiner Frontier-Modelle zu erfordern. Für Sicherheitsteams wird der praktische Test darin bestehen, wie gut diese Modelle auf ihren eigenen Codebasen abschneiden, einschließlich falscher Positiver, übersehener Schwachstellen und der Kompatibilität mit bestehenden Prozessen zur Anwendungssicherheit.
Gemäß Ciscos technischem Bericht wurden die Modelle mit etwa 72 Prozent Sicherheitskonzeptdaten und 15 Prozent Codesuch-Historien trainiert, was eine Trainingsmethodik widerspiegelt, die stark auf Cybersicherheits-Domänenwissen ausgerichtet ist.
Cisco behält sich eine größere Antares-Version mit drei Milliarden Parametern für den internen Gebrauch in den eigenen Produkten vor. Diese Version schneidet Berichten zufolge fast so gut ab wie GPT-5.5 und übertrifft Open-Source-Modelle, die bis zu 200-mal so groß sind. Dies deutet darauf hin, dass aufgabenspezifisches Training starke Ergebnisse liefern kann, ohne den rechentechnischen Mehraufwand allgemeiner großer Sprachmodelle.
Das Unternehmen hat außerdem darauf hingewiesen, dass es die Gründung eines Branchenkonsortiums für offene KI-Sicherheitstools prüft, was eine breitere Zusammenarbeit innerhalb der Cybersicherheits-Community bei gemeinsamen, KI-gesteuerten Abwehrmaßnahmen signalisieren könnte.
