Cisco beschreibt Antares als eigens für die Lokalisierung bekannter Schwachstellen in Quellcode entwickelte Small Language Models. Der Name lehnt sich an den hellsten Stern im Sternbild Skorpion an; die Modellfamilie umfasst derzeit zwei Varianten, Antares-350M und Antares-1B. Beide sind als Open-Weight-Modelle über Hugging Face verfügbar.

Im Zentrum steht ein sehr konkreter Anwendungsfall. Wird eine Schwachstelle bekannt, müssen Sicherheitsteams prüfen, ob der eigene Code betroffen ist und wo sich die anfälligen Stellen befinden. Nach Cisco ist diese Arbeit schwierig und wird derzeit am besten durch KI unterstützt. Die bislang üblichen Wege haben aber jeweils Nachteile: geschlossene große Sprachmodelle sind teuer, während allgemein ausgelegte kleinere Open-Weight-Modelle häufig mehr Fehlalarme produzieren.

Cisco betont zudem den Aspekt der Datensouveränität. Bei Open-Weight-Modellen kann das analysierte Repository im Besitz des Unternehmens bleiben. Das ist insbesondere dort relevant, wo Vorgaben zur Datenhoheit gelten. Antares soll diese Vorteile mit einer auf Sicherheitsaufgaben zugeschnittenen Architektur verbinden und damit sowohl gegenüber allgemeinen Open-Weight-Modellen als auch gegenüber großen geschlossenen Modellen besser abschneiden.

Laut Cisco folgt die Verarbeitung einem Suchmuster, das an das Vorgehen menschlicher Analysten angelehnt ist. Ausgangspunkt ist jeweils eine Schwachstellenbeschreibung. Von dort aus sucht das Modell nach relevanten Code-Mustern, liest verdächtige Dateien, berücksichtigt neue Hinweise, wechselt die Richtung, wenn sich ein Pfad als unergiebig erweist, und grenzt die Suche auf die Dateien ein, die am ehesten relevant sind. Ziel sei nicht, das Urteil von Experten zu ersetzen, sondern die ersten Schritte der Triage von Schwachstellen im Quellcode zu unterstützen.

Adressiert wird das Angebot laut Cisco vor allem an Organisationen mit begrenzten Sicherheitsbudgets, darunter Universitäten, Forschungseinrichtungen, gemeinnützige Organisationen und Teams im öffentlichen Sektor, die dennoch wichtige Software pflegen.

Zur Untermauerung der Leistungsangaben veröffentlicht Cisco zusätzlich einen neuen Prüfmaßstab, den Vulnerability Localization Benchmark. Dieser umfasst laut Beschreibung 500 Einträge und verlangt von Modellen, sich effizient in unbekannten Codebasen zu orientieren und zugleich Schwachstellenmuster zu erkennen, die bestimmten CWE-Kategorien zugeordnet sind.

Mit diesem Benchmark verglich Cisco Antares mit einem leistungsstarken geschlossenen Frontier-Modell, OpenAIs GPT-5.5, sowie mit einem leistungsstarken Open-Weight-Modell, Z.ais GLM-5.2. Nach Angaben des Unternehmens arbeitete Antares schneller und zu geringeren Kosten als beide Vergleichsmodelle. Cisco beziffert den Kostenvorteil auf das 172-Fache gegenüber dem LLM und auf das 15,2-Fache gegenüber dem GLM.

Das Ergebnis der Analyse ist eine Rangliste von Quelldateien, die mit hoher Wahrscheinlichkeit eine relevante Schwachstelle enthalten. Sicherheitsteams können diese Liste als Ausgangspunkt für ihre Triage nutzen.

Amin Saberi, Professor für Management Science and Engineering an der Stanford University, sagte zu den Ergebnissen, Sicherheit dürfe kein Luxusgut sein, fortgeschrittene KI-gestützte Erkennung habe aber bislang weitgehend Organisationen mit Budgets auf Frontier-Niveau gehört. Antares verändere diese Gleichung mit einer Genauigkeit nahe an Frontier-Modellen bei der Analyse sicheren Codes zu einem Bruchteil der Kosten und schnell genug für den Einsatz bei jedem Commit.

Cisco ordnet die Veröffentlichung in eine breitere KI-Strategie ein. Das Unternehmen wolle der Gemeinschaft eine belastbarere Grundlage für KI-gestützte Verteidigung bieten: mit offenen Spezifikationen, wiederverwendbarem Sicherheitswissen, kompakten einsetzbaren Modellen und Benchmarks, die Fortschritt messbar machen.