Cisco memperkenalkan keluarga model kecerdasan buatan berbobot terbuka bernama Antares yang dirancang untuk membantu tim keamanan mengidentifikasi bagian repositori perangkat lunak yang berpotensi rentan. Model ini tidak bertugas mendeteksi CVE tertentu atau menghasilkan patch, melainkan mencari berkas-berkas yang paling mungkin mengandung kelas kerentanan berdasarkan deskripsi Common Weakness Enumeration.
Dalam praktiknya, Antares menerima deskripsi CWE sebagai masukan dan mengembalikan daftar berkas yang diurutkan menurut kemungkinan relevansinya. Pendekatan ini bertujuan mengurangi ruang pencarian dari ribuan berkas menjadi himpunan yang lebih terfokus sehingga analis keamanan dapat memulai investigasi dengan lebih efisien. Cisco menekankan bahwa model ini berfungsi sebagai asisten pencarian, bukan pengganti penilaian manusia.
Keluarga Antares terdiri atas tiga ukuran model: 350 juta, 1 miliar, dan 3 miliar parameter. Model terbesar diklaim mendekati performa GPT-5.5 pada tolok ukur internal Vloc sambil tetap dapat dijalankan pada perangkat keras GPU tunggal. Ketersediaan versi open-weight di Hugging Face memungkinkan organisasi menjalankan inferensi secara lokal dan menjaga kode proprietary tetap berada dalam batas kepercayaan mereka.
Berbeda dengan alat analisis statis konvensional yang bergantung pada aturan atau kueri yang telah ditentukan sebelumnya, Antares beroperasi sebagai agen eksplorasi berbasis bukti. Ia menyesuaikan strategi pencariannya saat menelusuri struktur repositori, sehingga mampu menangani kompleksitas kode yang tinggi tanpa memerlukan pemeliharaan aturan manual yang ekstensif.
Salah satu konteks penting yang mendorong pengembangan model semacam ini adalah semakin meluasnya penggunaan perangkat lunak berskala besar yang mengandung ribuan dependensi. Dalam lingkungan tersebut, peninjauan manual menjadi tidak realistis, sehingga alat yang mampu mempersempit fokus investigasi berpotensi menurunkan kelelahan analis dan mempercepat alur kerja triage.
Selain itu, tren industri menuju model AI terspesialisasi ketimbang model fondasi berukuran raksasa juga tercermin dalam keputusan Cisco. Antares-3B mampu menandingi performa model jauh lebih besar milik perusahaan lain pada tugas lokalisasi kerentanan, menunjukkan bahwa pelatihan khusus untuk domain tertentu dapat memberikan efisiensi yang lebih baik daripada sekadar menambah parameter.
Meskipun demikian, organisasi tetap perlu menentukan frekuensi penggunaan, mengukur peningkatan efisiensi triage, serta mengevaluasi dampaknya terhadap biaya dan postur keamanan secara keseluruhan. Antares hanya menyediakan daftar kandidat berkas, sehingga tahap konfirmasi eksploitabilitas, penilaian tingkat keparahan, dan pembuatan perbaikan masih memerlukan alat serta keahlian tambahan.
Antares mendukung antarmuka baris perintah yang mencakup investigasi CWE tertentu, pemindaian seluruh repositori, serta keluaran dalam format SARIF. Fitur-fitur tersebut dirancang untuk mendukung integrasi ke dalam pipeline DevSecOps yang sudah ada tanpa mengganggu alur kerja yang telah mapan.
Dengan demikian, peluncuran Antares mencerminkan upaya Cisco untuk menyeimbangkan kemampuan AI dengan kebutuhan praktis tim keamanan yang menghadapi tekanan waktu dan volume kode yang terus bertambah.
