Cisco 推出開放權重資安小型語言模型 Antares-350M 與 Antares-1B，主打在既有程式碼庫中辨識已知漏洞，直接挑戰 Google、OpenAI 等大型模型在漏洞分析領域的角色。Antares-1B 僅有 10 億參數，但 Cisco 稱模型在內部基準測試中表現優於 Google Gemini 3 Pro，並與 Z.ai GLM-5.2 相若。
這次發布反映企業部署 AI 資安工具時，正由通用大型模型轉向任務專用小型模型。Cisco 的策略有 3 點：以較少參數降低推論及部署成本、以開放權重提升可審查性，並透過受控存取平衡資安研究效益與濫用風險。對香港及亞洲企業而言，問題已不只是「哪個模型最強」，而是「哪個模型能以可管理風險及成本，持續找出真正需要修補的程式漏洞」。
小模型瞄準企業修補效率
Antares 是 Cisco 新建立的資安小型語言模型家族，並非一般聊天機械人，而是針對既有程式碼中的已知弱點進行偵測及分析。首批推出的 Antares-350M 及 Antares-1B 已在 Hugging Face 提供，但並非完全無門檻下載，只向通過審核的使用者開放。
這種設計具明確商業意義。傳統大型語言模型雖有廣泛推理能力，但用於企業漏洞管理時，往往涉及較高運算成本、資料外洩疑慮及輸出不穩定等問題。若 Cisco Antares 能以較少參數完成程式碼安全檢查，企業便可在內部環境部署模型，讓資安團隊優先處理高風險警報，縮短漏洞由發現至修補的週期。
Cisco 表示，Antares-1B 在新基準測試中優於 Gemini 3 Pro，並可與 GLM-5.2 競爭；尚未公開的 Antares-3B 則據稱在漏洞發現能力上勝過 GLM-5.2 及 OpenAI GPT-5.5。不過，這些比較目前主要來自 Cisco 自行發布的測試結果。企業採購團隊仍應要求第三方重現測試、檢視漏洞誤報率，並驗證模型在自家程式語言、舊有系統及開源元件環境中的準確度。
開放權重不等於完全開放
Cisco 今次最受市場注目之處，在於同時採用「開放權重」及「受控存取」。公司正與學術機構、非牟利組織、中小型機構及公共部門資安團隊合作，讓符合條件的使用者取得漏洞分析模型。這顯示 Cisco 未有將 Antares 視為可自由散布的工具，而是將其列為需要妥善治理的雙用途技術。
開放權重的優勢在於，研究人員及企業可在本地端檢視、微調或評估模型，減少依賴將原始碼上傳至外部雲端服務。對金融、醫療、政府及關鍵基礎設施業者而言，程式碼本身可能包含商業機密、身分驗證邏輯或系統架構資料；在受監管環境中，本地部署需求更為明顯。
不過，漏洞偵測能力亦可能被用作加快攻擊前的弱點搜尋。Cisco 因此未有計劃向公眾發布未來的 30 億參數 Antares-3B 模型。這項安排說明，企業資安 AI 的競爭將不只比較模型能力，也取決於模型說明文件、使用者審核、日誌追蹤、權限管理及人手覆核等治理機制是否成熟。
基準勝利仍待真實場景驗證
Cisco Antares 傳遞的訊號很清楚：面對高度專業、目標明確的資安任務，模型規模未必決定最終效益。若小型模型能穩定辨識常見漏洞模式，例如不安全輸入處理、權限檢查缺失或引用過時函式庫，資安團隊便可將昂貴的大型模型運算資源，留給跨系統推理、威脅獵捕及複雜事件調查。
不過，Cisco Antares 為何能以小型模型挑戰大型 AI，不能只看單一排行榜。專用模型可透過特定資料集、程式語言結構及漏洞標註方式訓練，因此在狹窄任務上取得效率優勢；跨語言分析、零日漏洞、商業邏輯錯誤及大型複雜程式碼庫，則更考驗模型泛化能力及資安工程師的判斷。
Cisco 所述的基準成果值得留意，卻不代表所有企業場景均可複製。企業導入時應將 Cisco Antares 視為安全開發生命週期中的其中一層，結合靜態分析、軟件組成分析、人手程式碼審查及修補驗證，避免因模型帶來錯誤信心而忽略真正的高風險缺陷。
從 AI 競賽走向可控資安生產力
近年 AI 資安競爭已由「誰能生成更多程式碼」，轉向「誰能更可靠保護程式碼」。Cisco 此前亦指出，前沿模型在多輪提示攻擊下可能出現安全防護失效，反映模型能力提升不必然代表部署風險下降。在此背景下，Antares 採取小型模型、專用任務及受控開放的路線，嘗試將 AI 效率及安全治理納入同一產品框架。
對企業管理層而言，Cisco Antares 意味漏洞管理或可由人力密集、週期較長的流程，轉為由 AI 先行篩選、資安人員集中驗證的作業模式。下一步關鍵在於：當開放權重資安模型逐漸普及，企業能否建立足夠嚴謹的測試及權限制度，讓 AI 成為防禦加速器，而非放大攻擊風險的新工具？
