---
title: "Cisco Antares：1B 本地漏洞定位 AI"
canonical: https://wavect.io/zh/blog/cisco-antares-local-vulnerability-localization/
language: zh
description: "Cisco Antares 评测：用 Antares-1B、GGUF 与 llama.cpp 做私有 CWE 漏洞定位，含 benchmark、CI/CD、安全风险与 14 天试点。"
image: "https://wavect.io/img/blog/headers/header_cisco-antares-local-vulnerability-localization.png"
author: ["Kevin Riedl"]
published: "2026-07-22"
updated: "2026-09-02"
reviewed: "2026-09-02"
---

# Cisco Antares 评测：用于漏洞定位的 1B 本地 AI

[**返回**](/zh/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/)

[Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt

9 分钟 阅读 · 2026年7月22日 最近审核 2026年9月2日

[**下一篇**](/zh/blog/meterless-ai-agent-context-layer-review/)

要点速览

Cisco Antares 是用于漏洞定位的开放权重安全 SLM，而非自主扫描器。Antares-1B 根据 CWE 描述和只读终端权限探索代码库，不使用外部检索，并返回候选文件。它在 500 个任务的 VLoc Bench 上取得 0.209 File F1，但大型代码库、多文件漏洞与依赖语义的 bug 仍然困难。社区约 1.96 GB 的 Q8_0 GGUF 可由 llama.cpp 运行，但尚无与原始权重等价的公开 benchmark。如果代码必须留在本地，推理 endpoint 和持久 trace 也必须处于自有边界内。继续保留 AppSec 工具链与人工审查，并用每次正确定位所需的分析师分钟数衡量试点。

相关服务: [软件质量保证](/zh/services/software-quality-assurance/)

**Cisco Antares 不是自主漏洞扫描器，不会生成补丁，也不能廉价取代渗透测试。**它是一个小型开放权重安全模型，专门回答一个更窄、却有商业价值的问题：给它一段 CWE 弱点描述和代码库的只读权限，安全工程师应该先检查哪些源文件？

Antares-350M 与 Antares-1B 可以在本地运行。但只有当推理 endpoint、CLI 数据和持久 trace 也留在自有环境时，代码才真正不会外发。

这个窄范围正是 Antares 的价值。已发布的 [Antares-1B](https://huggingface.co/fdtn-ai/antares-1b) 只有 10 亿参数，使用 Apache 2.0 许可证，不需要向量数据库或外部检索，并可连接本地 OpenAI 兼容 endpoint。一份 [社区 Q8_0 GGUF 转换](https://huggingface.co/mitkox/antares-1b-Q8_0-GGUF) 约为 1.96 GB，可由 llama.cpp 运行。这让专有代码的私有化、on-device 漏洞初筛变得现实。

限制也必须写在标题旁边：Cisco 自己的 benchmark 中，最佳模型的 File F1 只有 0.229；500 个任务中有 190 个难倒了全部参测模型。Antares 缩小搜索范围，却不能证明代码库安全。

| 问题 | 短答案 | 商业含义 |
| --- | --- | --- |
| 代码是否必须离开自有环境？ | 不必，前提是权重、推理 endpoint、CLI、日志和代码库 sandbox 都在本地。 | 适合未获云端审查许可的专有或受监管代码。 |
| Antares 能确认漏洞吗？ | 不能。它从 CWE 描述对候选文件排序。 | 保留人工审查与现有 AppSec 工具链。 |
| 能否使用 llama.cpp？ | 有社区 Q8_0 GGUF，llama.cpp 可提供兼容的本地服务。 | 容易试点，但尚无公开质量等价测试。 |
| 能否进入 CI/CD？ | 可以。官方 CLI 支持 JSON 和 SARIF。 | 先做非阻塞 triage，不要直接卡 merge。 |
| 能否取代 SAST 或渗透测试？ | 不能。 | 把它放在 advisory 接收与专家调查之间。 |

## Cisco Antares 是什么？

[Cisco Foundation AI 于 2026 年 7 月 21 日发布 Antares](https://blogs.cisco.com/ai/introducing-antares-the-most-efficient-open-weight-ai-models-for-vulnerability-localization) ，将其定位为安全专用 SLM 家族。Antares-350M 与 Antares-1B 已公开。截至 2026 年 9 月 2 日，Antares-3B 虽出现在技术报告和 benchmark 中，仍未发布并标为即将推出。

这些模型以 IBM Granite 4.0 为底座。Cisco 先通过监督微调训练网络安全推理、深度研究、终端使用和代码搜索，再用 Group Relative Policy Optimization 优化完整的代码库探索轨迹。换成直白的话，Antares 学的不只是漏洞术语，还包括搜索、读文件、放弃弱线索，以及在有限工具预算下提交文件路径。

[Antares 技术报告](https://cisco-foundation-ai.github.io/antares/technical-report.pdf) 描述了一个无网络、只读的代码库环境，每个任务最多 15 条终端命令。模型拿到 CWE ID 与通用描述后，用搜索和文件查看工具探索，最后返回可能存在漏洞的实现文件，或报告没有找到。

## 什么是漏洞定位？

漏洞检测问的是弱点是否存在。漏洞定位问的是相关实现在哪里。新的 advisory 到来后，团队可能已经知道 [CWE 弱点类别](https://cwe.mitre.org/) ，却仍要花数小时把 CVE 或 GHSA 穿过 wrapper、adapter、框架约定和调用路径，映射到真实文件。

1. **从有边界的安全假设开始。** 输入 CWE 与描述，不要要求它“找出所有漏洞”。
2. **探索代码库。** 模型搜索模式、打开候选文件、跟随 import，并修正假设。
3. **提交候选文件。** 结果是一条按优先级排序的审查队列，不是漏洞结论。
4. **交给确定性检查和人。** 工程师确认可达性、可利用性、受影响版本、严重程度与修复。

这个范围不会与我们的 [AI 生成代码 QA 流程](/zh/blog/qa-for-ai-generated-code/) 争夺同一搜索意图。后者覆盖授权、输入、密钥、负载、并发、依赖和回归测试。Antares 只拥有其中一步：从安全描述本地定位候选文件。

## Benchmark 说明 Antares 有多好？

新的 [Vulnerability Localization Benchmark](https://cisco-foundation-ai.github.io/vulnerability-localization-benchmark/) 包含 500 个任务，来自 290 个真实代码库、6 个包生态与 147 个 CWE 类别。每个任务都重建安全修复前的版本，并用真实 patch 修改的实现文件作为 ground truth。模型只看到通用 CWE 描述，并有 15 次终端调用。

| 模型 | 参数 | File F1 | Recall |
| --- | --- | --- | --- |
| GPT-5.5，xhigh | Frontier | 0.229 | 0.221 |
| Antares-3B，GRPO | 3B | 0.223 | 0.221 |
| Antares-1B，GRPO | 1B | 0.209 | 0.224 |
| GLM-5.2 | 753B | 0.186 | 0.186 |
| Antares-350M，GRPO | 350M | 0.135 | 0.178 |

核心结论成立：在这套 harness 上，专用训练让 1B 模型超过了大得多的通用模型。但 0.209 File F1 不等于找到了 20.9% 的漏洞。File F1 合并文件级 precision 和 recall，而且 Phase A 的每个代码库都保证含有已知漏洞。它不是普通代码库上的端到端检测率。

商业决策更应看限制。Cisco 表示，代码库超过 10 MB 后性能明显下降；涉及 5 个以上文件的漏洞依然困难；有明显、可 grep 模式的弱点，比权限、锁、内存泄漏等依赖语义的类别容易。训练数据截止于 2025 年 4 月 10 日。模型也不会解释文件为何有漏洞，不生成 exploit，不写补丁。

Cisco 随后发布了 [分布外评估](https://cisco-foundation-ai.github.io/blogs/antares-beyond-vlocbench/) 。在其 CyberGym 漏洞定位改编中，Antares-1B 的 recall 为 67.2%，Antares-350M 为 51.6%。这些是定位结果，不是 proof-of-concept exploit 成功率。同一文章中的 Devin 对比使用了公开重建的 34/50 个不完整样本，并对 Antares 数值进行外推，因此只能作为方向性证据，不能当作直接产品 benchmark。

## 换成 GGUF 与 llama.cpp 后发生什么？

Cisco 官方发布 Transformers 兼容权重，并提供连接用户自定义、支持流式响应的 OpenAI 兼容 `/v1/completions` endpoint 的 CLI。对于随附的 prompt 格式，chat-completions 路由并不等价。 [llama.cpp 可提供本地 completions 服务](https://github.com/ggml-org/llama.cpp) 。社区转换把 Antares-1B 打包成约 1.96 GB 的 Q8_0 GGUF。

实际部署可以让 Antares 在小型 GB10 设备上，与更大的通用编程模型共享硬件。一个轻量 agent skill 驱动 Antares CLI 或其协议：输入代码库 snapshot 与 CWE，收集 JSON 或 SARIF，再把候选文件交给主编程 agent 和人工 reviewer。模型很小，因此不必长期占满大模型的推理资源。

- **官方 benchmark 不是 GGUF benchmark。** Cisco 报告单张 H100 配合并行 worker 约 13 至 15 分钟完成 500 个任务。这不能推出 GB10 或 llama.cpp 的速度。
- **Q8_0 等价性尚未证明。** 截至 2026 年 9 月 2 日，我们没有找到原始权重与 GGUF 的公开 VLoc A/B。
- **社区文件不是 Cisco 官方 artifact。** 试点必须固定文件、hash、源模型 revision，并在自己的历史案例上验证。

## 如何把 Antares 放进 shift-left CI/CD？

1. **由明确安全原因触发。** 使用从 CVE 或 GHSA 映射的 CWE、一次定向排查，或少量弱点类别。不要给“找出所有漏洞”这种无边界任务。
2. **创建只读 snapshot。** 在无网络容器中只挂载代码库和必要元数据，排除密钥、构建凭证、客户导出与无关生成文件。
3. **扫描相关 slice。** 优先检查本次修改的服务或依赖边界，以适应 15 条命令限制。
4. **输出 JSON 与 SARIF。** 官方 CLI 支持二者。 [GitHub 可把第三方 SARIF 导入 code scanning](https://docs.github.com/en/code-security/concepts/code-scanning/sarif-files) 。
5. **要求人工确认。** 候选文件只有在 reviewer 确认漏洞行为后才成为 finding。
6. **衡量被接受的结果。** 记录已知案例的 precision、recall、找到首个相关文件的时间、每个确认 finding 的审查分钟数和静默漏报。

只有某个具体类别在自有数据上表现足够好时，才把 Antares 升为阻塞 gate。即使如此，也要保留有责任人和审计记录的 bypass。

## Antares 如何辅助 CVE 与 GHSA 调查？

Antares 不做外部检索。这既是隐私优势，也是工作流限制。它不会抓取最新 advisory，考虑到训练截止时间，也不该让它凭记忆描述最新漏洞。

1. 在独立、受治理的 intake 步骤获取 CVE 或 GHSA。
2. 核验受影响组件、版本范围、CWE 映射和 advisory 内容。
3. 只把确认过的 CWE 描述与批准上下文传给 Antares。
4. 用候选文件安排源码审查、依赖追踪和 patch 验证。
5. 记录 advisory revision、模型 hash、prompt、代码 commit、trace 和 reviewer 决策。

## 本地推理是否等于安全？

**本地是一条有价值的数据边界，不是安全证书。**Model card 建议使用隔离 sandbox、关闭网络、仅授权安全人员访问、记录完整轨迹，并要求人工监督。Antares 会操作终端，而且没有作为通用对话助手进行独立安全对齐。

当前 [官方 quickstart](https://github.com/cisco-foundation-ai/cookbook/blob/main/1_quickstarts/Quickstart_Antares.md) 还给出两项警告：`query` 与 `sweep` 可能向所配置的 endpoint 发送代码库路径、目录列表和源码片段；运行历史与调查 trace 会持久保存在本地，并可能含有源码。`.gitignore` 不会自动成为扫描排除规则。请在 `.antares.toml` 中加入敏感路径，将 `ANTARES_DATA_DIR` 放在目标代码库之外，并保护 endpoint 与 trace 目录。

GGUF 路径还增加了一层 supply-chain 风险。llama.cpp 发布过恶意模型文件相关 advisory，包括一个由 [特制 GGUF 词表触发的 buffer overflow](https://github.com/ggml-org/llama.cpp/security/advisories/GHSA-8wwf-w4qm-gpqr) 。应保持 runtime 更新，固定可信下载位置和 hash，并仅在加固环境加载不可信权重。

还要检查 crash reporting、包安装、远程日志、CI artifact、SARIF 上传，以及接收 Antares 结果的主 agent。本地模型保护不了 harness 从其他路径送出去的代码。

## Antares 应该补充什么，而不是取代什么？

| 控制 | 强项 | Antares 为何不能取代 |
| --- | --- | --- |
| SAST 与 CodeQL 类分析 | 规则、类型、source、sink 与 dataflow | 确定性 finding 和成熟 query pack 仍然必要。 |
| 软件成分分析 | 已知漏洞依赖与许可证 | Antares 没有实时 advisory 数据库。 |
| 密钥扫描 | 已提交的凭证与 token | 专用 detector 对这种模式更可靠。 |
| 动态测试与渗透测试 | 运行时、exploit path、配置与漏洞链 | Antares 只返回文件，不能证明可利用性。 |
| 人工安全审查 | 业务逻辑、威胁上下文、严重程度与修复质量 | Model card 明确要求人工监督。 |

如果你评估的是自主红队 harness，请看我们的 [T3MP3ST 评测](/zh/blog/t3mp3st-ai-red-teaming-review-2026/) 。如果问题是本地模型与 API 的成本，请看 [本地模型 break-even 指南](/zh/blog/local-models-vs-apis-break-even-eu-2026/) 。Antares 页面只占据“私有本地漏洞定位”这组搜索意图。

## 一个 14 天商业试点

1. **选择 25 次历史调查。** 包括修复前后 snapshot、单文件和多文件漏洞、小型和大型代码库。
2. **冻结整个 stack。** 记录 Antares revision、GGUF hash、llama.cpp build、CLI、prompt、工具预算和硬件。
3. **盲测。** 不要向模型或首轮 reviewer 暴露 patch 文件与已知位置。
4. **对比 baseline。** 比较 Antares 加分析师与现有 SAST 加分析师流程。
5. **设定 go 或 no-go。** 要求中位 triage 时间明显下降、关键案例无不可接受漏报、trace 可审查、误报负担可持续。

决策指标不是每秒 token 数，而是**每次正确定位调查所需的分析师分钟数**，旁边必须同时列出 false negative。

## 拥有你的 AI，也要拥有那些无聊的部分

拥有权重只是起点。运营上的 ownership 还包括推理 endpoint、代码库边界、日志、模型与 runtime 更新、评估集、失败策略和退出路径。放在桌上、却暗中依赖远程服务的模型并不完全本地。没有 benchmark 的本地模型，也还不是受控生产系统。

云端 AI 会围绕云平台公司的目标优化。如果能力、支持和速度比数据边界与可迁移性更重要，它仍可能是正确选择。错误在于把供应商的 alignment 当成自己的。Antares 提供了另一种现实选项：把这项窄安全任务、代码与证据都留在自己控制的边界内。

## 常见问题

### Cisco Antares 是什么？

Cisco Antares 是用于 agentic 漏洞定位的开放权重 SLM 家族。它根据 CWE 描述与只读终端权限探索代码库，返回供人工审查的候选实现文件。

### Antares 能否完全本地分析代码库？

可以，前提是权重、OpenAI 兼容推理 endpoint、CLI、sandbox 和日志都在自有环境。官方工作流不需要外部检索或向量数据库。

### Antares 能否使用 llama.cpp 与 GGUF？

社区已提供 Antares-1B 的 Q8_0 GGUF，llama.cpp 可通过本地 completions endpoint 运行。截至 2026 年 9 月 2 日，尚无公开 benchmark 证明它与原始权重质量等价。

### Antares 能找 CVE 或 GHSA 漏洞吗？

在可信 intake 把 advisory 映射到 CWE 后，它可帮助定位候选文件。Antares 不自行检索最新 advisory，训练数据截止于 2025 年 4 月 10 日。

### Antares 能取代 SAST、CodeQL 或渗透测试吗？

不能。它给出可能相关的文件，而非可利用性证明、修复方案或完整覆盖。

### Antares 应该阻塞 CI 吗？

初期不应该。先非阻塞收集 precision、recall、审查时间和漏报数据，只对经过自有数据验证的窄类别启用阻塞。

## 一手来源与核验日期

- [Cisco Foundation AI 发布文章](https://blogs.cisco.com/ai/introducing-antares-the-most-efficient-open-weight-ai-models-for-vulnerability-localization)
- [Antares 技术报告](https://cisco-foundation-ai.github.io/antares/technical-report.pdf)
- [Antares-1B 官方 model card](https://huggingface.co/fdtn-ai/antares-1b)
- [VLoc Bench 方法与结果](https://cisco-foundation-ai.github.io/vulnerability-localization-benchmark/)
- [官方 CLI quickstart 与数据边界指南](https://github.com/cisco-foundation-ai/cookbook/blob/main/1_quickstarts/Quickstart_Antares.md)
- [Cisco 分布外漏洞定位评估](https://cisco-foundation-ai.github.io/blogs/antares-beyond-vlocbench/)
- [llama.cpp 代码库](https://github.com/ggml-org/llama.cpp)

产品状态、model card、benchmark、CLI 指南、许可证与相关安全 advisory 均核验于 **2026 年 9 月 2 日**。本文独立撰写，未受赞助。我们没有复现 Cisco 的 H100 与分布外 benchmark，也没有发布 GGUF 等价测试。

## 最终思考

Antares 让漏洞 triage 不再那么像代码库考古，因为它专门处理第一道昂贵问题：安全工程师应该去哪里看？小体积、开放权重、只读 agent loop 与本地部署路径，使重复、私有的调查在商业上成为可能。

只有当限制始终可见时，模型才真正有用。它定位候选，不认证代码，不取代 AppSec 工具链，也不移除 reviewer。应在本地运行、放进 sandbox、用自己的旧事件测量，并只在证据足够时提升权限。

## 你可能也喜欢..

[**AI 生成代码的 QA** 覆盖授权、输入、密钥、依赖、负载、失败路径与回归测试的完整生产就绪流程。](/zh/blog/qa-for-ai-generated-code/) [**直接上线原型，还是先加固？** 判断何时速度已经足够，何时用户、资金或敏感数据要求先做生产加固。](/zh/compare/ship-vibe-coded-as-is-vs-harden/)

QA 与生产就绪

## 接下来读什么

可靠生产软件所需的测试、审计、维护与加固。

[从这里开始**AI 生成代码的 QA**](/zh/blog/qa-for-ai-generated-code/)

- [README ZIP 恶意软件：审查 AI 工具的实际安装内容](/zh/blog/readme-zip-malware-install-review/)
- [AI 生成的 Odoo 模块：先审业务规则，再谈上线](/zh/blog/ai-generated-odoo-module-audit/)
- [Odoo 迁移验收：逐条核对业务记录与余额](/zh/blog/odoo-migration-acceptance-reconciliation/)
- [Odoo AI 智能体测试：验收实际保存的活动记录](/zh/blog/odoo-ai-agent-business-state-tests/)
- [Odoo 20 权限迁移：如何验收多公司隔离？](/zh/blog/odoo-20-company-access-migration-tests/)

[上一篇文章**OpenAI 评测沙箱逃逸：测试网络安全 Agent 前的 12 项控制**](/zh/blog/ai-agent-eval-sandbox-security-checklist/) [下一篇文章**外部 QA 基准：软件产品前 30 天通常会发现什么**](/zh/blog/external-qa-benchmark-first-30-days/)

[**返回**](/zh/blog/overview/)

[![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/)

[Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt

9 分钟 阅读 · 2026年7月22日 最近审核 2026年9月2日

[**下一篇**](/zh/blog/meterless-ai-agent-context-layer-review/)
