Antares: SLMs de peso abierto localizan archivos CVE

Cisco Foundation AI presenta con Antares dos Security-SLMs de pesos abiertos que resuelven una tarea muy concreta y costosa: Vulnerability Localization. A partir de un advisory y la codebase deben identificarse los archivos fuente más probables -de forma local, lo suficientemente pequeños para el propio entorno GPU y evaluables frente a un nuevo benchmark de 500 tareas.

Lo más importante en resumen

Relacionado:Hugging Face hackeado: El punto de entrada fue un Dataset-Loader  /  Brecha en NGINX: Ingress y Gateway obligados a parchear

Por qué la localización es la parte más cara

La advisory ya está disponible, la CVE está clara y entonces comienza el trabajo más costoso: localizar, dentro de un repositorio ajeno o heredado, los archivos que contienen la vulnerabilidad. Los analistas deben navegar entre convenciones de nomenclatura, rutas de llamadas y listas de candidatos. El análisis estático ayuda, pero suele generar mucho ruido. Los modelos de código de propósito general pueden leer código, aunque no están optimizados ni para la triaje de seguridad ni para moverse por terminal en árboles de gran tamaño.

Precisamente ese espacio intermedio es el que aborda Antares. Cisco describe estos modelos como Security-SLMs que actúan como un investigador humano: parten de la descripción de la vulnerabilidad, buscan archivos, cambian de estrategia, retroceden y van acotando. El resultado es una lista ordenada por probabilidad de los archivos fuente más un registro de la exploración. Ese material está pensado para el revisor y permanece, de forma deliberada, bajo control experto.

Para los equipos de cloud y plataforma supone la diferencia entre “tenemos un LLM en el chat” y “contamos con una puerta de control en la pipeline que reduce la costosa primera hora de triaje”. La localización se sitúa antes del parche. Quien ahorra aquí tiempo y tokens escala mejor las oleadas de advisories y el código generado por agentes.

Antares-350M y 1B: pequeños, especializados, medibles

En producción ya están disponibles dos modelos de pesos abiertos: Antares-350M y Antares-1B, licenciados bajo Apache 2.0 en Hugging Face. Antares-3B ha sido anunciado. La base es IBM Granite 4.0 con un pipeline de entrenamiento de dos etapas. La Model Card de Antares-1B registra un File F1 de 0,209 en el Vulnerability Localization Benchmark y presenta comparaciones con sistemas notablemente más grandes, entre ellos GLM-5.2, Gemini 3 Pro, GPT-5 Mini y Qwen3.5-122B. El barrido completo de 500 tareas se ejecuta en el entorno de evaluación en unos 13 minutos sobre una H100 con 16 workers en paralelo.

Los informes sectoriales calculan con precisión el apartado de costes: Help Net Security y SecurityWeek citan órdenes de magnitud de hasta 172× más económico que GPT-5.5 y alrededor de 15× más barato que GLM-5.2 en el mismo benchmark. El propio Cisco destaca en su blog «fraction of the cost» y muestra en la Figure 2 unos costes y tiempos de ejecución estimados claramente inferiores. Para la contextualización editorial la dirección es clara: los SLM especializados superan a los modelos frontier generalistas en esta tarea concreta. Los multiplicadores absolutos deben contrastarse siempre con la Model Card y el paper antes de incorporarlos al presupuesto.

Amin Karbasi, VP y Chief AI Scientist en Cisco Foundation AI, enmarca así el lanzamiento: la comunidad de seguridad necesita componentes accesibles para la defensa a nivel de repositorio. Precisamente por eso se publican con pesos abiertos y un tamaño que permite la inferencia local.

VLoc Bench: por qué SWE-Bench no basta aquí

Cisco no ha creado el benchmark por capricho de marketing. Los benchmarks de codificación generales como SWE-Bench miden la resolución de issues y la búsqueda de parches, no si un agente, a partir de una descripción CWE o un advisory, identifica los archivos vulnerables. CodeScout se acerca más (agentes de terminal, búsqueda de código), pero se orienta a tareas de ingeniería de software, no a la localización de seguridad.

VLoc Bench exige ambas cosas a la vez: navegación eficiente en repositorios ajenos y reconocimiento de patrones de vulnerabilidad en categorías CWE concretas. 500 tareas, de forma agentica. Ese es el listón con el que Cisco pone a prueba Antares frente a modelos más grandes de pesos cerrados y abiertos, y la palanca con la que los equipos pueden comparar sus propios harnesses.

En la práctica, esto significa para AppSec y Platform Engineering: si introducís Antares o un competidor, medís la calidad de la localización y el coste por advisory, no el Elo de chat. Sin este corte, «la IA en las herramientas de seguridad» sigue siendo una diapositiva de demo.

Ejecutar en local: la residencia de datos como característica

El ángulo de la nube no es aquí una simple frase hecha. Muchos equipos de seguridad no pueden enviar código propietario a APIs de inferencia externas. Los modelos compactos de pesos abiertos que se ejecutan on-prem o en la propia VPC modifican la situación de aprobación: el triaje de avisos y las comprobaciones de CI permanecen dentro del propio límite de confianza.

Cisco posiciona Antares también de forma explícita para universidades, sector público y equipos más pequeños que no pueden asumir los presupuestos de tokens de los modelos frontier. Voces de la academia en el blog (NUS, Stanford) subrayan el mismo punto: la seguridad no debe ser un bien de lujo y los modelos pequeños son lo bastante rápidos como para filtrar la salida de los agentes antes del merge.

Los límites siguen siendo estrictos: Antares no sustituye ni el escaneo de dependencias ni la detección de secretos, DAST, comprobaciones de contenedores ni el modelado de amenazas. Únicamente reduce la costosa búsqueda de archivos. El humano y el resto de la cadena de herramientas permanecen en el bucle, tal como describe la propia Cisco.

Qué deben comprobar ahora los equipos de Cloud y Platform

Quienes toman en serio Antares incorporan un slot medible en la pipeline:

• Delimitar el caso de uso: Solo Localization (Advisory → File-Rank). Sin mezclar expectativas con Auto-Remediation.
• Ubicación del despliegue: On-prem / private GPU frente a Managed Endpoint. El cumplimiento y la residencia del código deciden antes que los debates sobre precisión.
• Diseño del CI-Gate: Para High-Severity-Advisories, archivos rankeados como cola de revisión, almacenar trazas y forzar Human-in-the-Loop.
• Benchmark interno: 20-50 CVEs históricos propios como Goldset. File F1 y tiempo/costos frente al statu quo (manual + SAST).
• Cadena de suministro de los pesos: Verificar modelos HF (firmas, hashes, mirrors internos). El incidente del HF-Dataset-Loader muestra que las entradas de la pipeline son superficie de ataque.

En paralelo, merece la pena echar un vistazo al paquete más amplio de Cisco: Foundry Security Spec (Harness y Guardrails para agentic Security), CodeGuard (reglas de Secure-Coding para Coding-Agents) y el VLoc-Benchmark abierto. Antares es el componente de Localization, no todo el castillo.

Preguntas frecuentes

Recomendaciones de lectura de la redacción

• Hugging Face hackeado: El punto de entrada fue un Dataset-Loader
• El modelo barato que frena el desarrollo de la IA
• Brecha en NGINX: Ingress y Gateway obligados a parchear

Fuente de la imagen: Generado por IA (julio 2026)