Cisco heeft twee open-source kunstmatige intelligentiemodellen geïntroduceerd die specifiek zijn ontworpen voor cyberbeveiligingstoepassingen. De modellen, genaamd Antares-350M en Antares-1B, zijn gebouwd om beveiligingskwetchbaarheden in softwarecode te identificeren, waardoor organisaties een kosteneffectief alternatief hebben voor grootschalige commerciële AI-systemen.

De modellen zijn beschikbaar op Hugging Face. De belangrijkste boodschap van Cisco richt zich op efficiëntie en waarde. Ontwikkelaar Aman Priyanshu verklaarde op X dat het kleinste model, Antares-350M, ongeveer 150 keer meer kwetsbaarheden per uitgegeven dollar detecteert in vergelijking met grote AI-agents zoals Cognition's Devin Security Swarm.

Volgens Axios toonden interne benchmarktests van Cisco aan dat Antares 500 coderepositories in ongeveer 15 minuten scande voor minder dan één dollar. Ter vergelijking: OpenAI's GPT-5.5 deed er vijf uur over en kostte meer dan $100 voor dezelfde taak.

Een opvallend voordeel van de Antares-modellen is dat ze lokaal kunnen draaien op de eigen infrastructuur van een organisatie, wat betekent dat gevoelige broncode de omgeving van het bedrijf nooit verlaat. Dit pakt een aanzienlijke zorg aan voor bedrijven die omgaan met propriëtaire of gereguleerde codebases, waar externe AI-diensten vragen kunnen oproepen over gegevensbeheer, naleving en vertrouwelijkheid.

De release past ook binnen een bredere verschuiving in AI-beveiligingshulpmiddelen naar kleinere, taakspecifieke modellen die kunnen worden geïntegreerd in workflows van ontwikkelaars, code-reviews en het sorteren van kwetsbaarheden, zonder de infrastructuurvereisten van algemene grensmodellen (frontier models). Voor beveiligingsteams zal de praktische test zijn hoe goed deze modellen presteren op hun eigen codebases, inclusief fout-positieven, gemiste kwetsbaarheden en compatibiliteit met bestaande beveiligingsprocessen voor toepassingen.

Volgens het technische rapport van Cisco zijn de modellen getraind op ongeveer 72 procent beveiligingsgerichte gegevens en 15 procent code-zoekgeschiedenissen, wat een trainingsmethodologie weerspiegelt die sterk is gericht op domeinkennis van cyberbeveiliging.

Cisco behoudt een grotere versie van Antares van drie miljard parameters voor intern gebruik binnen zijn eigen producten. Naar verluidt presteert die versie bijna net zo goed als GPT-5.5 en overtreft het open-source modellen tot 200 keer zijn grootte, wat suggereert dat taakgerichte training sterke resultaten kan opleveren zonder de computationele overhead van algemene grote taalmodellen.

Het bedrijf heeft ook aangegeven dat het de oprichting van een industrieel consortium verkent dat is toegewijd aan open AI-beveiligingsinstrumenten, wat een bredere samenwerking binnen de cyberbeveiligingsgemeenschap op gedeelde, door AI aangedreven verdedigingsmogelijkheden zou kunnen signaleren.