(Immagine generata con AI)
Si chiama Antares, come la stella rossa, ma ha i piedi per terra e la magnitudine non è una sua caratteristica, anzi: è la famiglia di modelli di intelligenza artificiale di tipo SLM (Small Language Model), focalizzati sulla cybersicurezza, appena presentata da Cisco. Una Cisco che con questo lancio si conferma come società di sicurezza informatica a tutti gli effetti, non più limitata alle sole tecnologie di rilevamento e di difesa perimetrale.
I rischi legati all’evoluzione dell’intelligenza artificiale non mancano e gli errori nemmeno, come dimostra il caso eclatante dell'hackeraggio di Hugging Face per opera di un agente AI basato su tecnologie di OpenAI. Ci sono però anche ambiti di sinergia molto promettenti (comunque non liberi da rischi, anzi), come l’identificazione automatizzata delle vulnerabilità nel codice software, un’area di sovrapposizione fra intelligenza artificiale e cybersicurezza, inaugurata – almeno a livello mediatico – con il lancio di Claude Mythos da parte di Anthropic.
Ed è proprio qui che si collocano Antares-350M e Antares-1B, già disponibili, oltre a un Antares-3B prossimamente in arrivo. Si tratta di modelli open-weight, letteralmente a “peso aperto”: a differenza di quelli open-source (che danno libero accesso anche ai dati e al codice sorgente), rendono disponibili i file binari preaddestrati, e dunque la rete neurale e i suoi parametri numerici. Questa alternativa intermedia, seguita per esempio da Meta con Llama, consente a chi li usa di eseguire i modelli localmente e adattarli a compiti specifici.
Cisco ha motivato questa scelta sottolineando le peculiarità di Antares rispetto ad altri modelli open-weight. Disponibili per la community degli sviluppatori su Hugging Face, Antares-350M e Antares-1B sono modelli di piccola dimensione, performanti ma anche leggeri, quindi eseguibili su risorse locali. Poter evitare di mettere dati in cloud è importante per chi, come uno sviluppatore o un professionista della cybersicurezza, lavora per trovare e correggere vulnerabilità in un codice software. Un SLM, inoltre, ha ovvi vantaggi di efficienza energetica e di ridotti costi di inferenza. Destinatari ideali di queste tecnologie, a detta di Cisco, sono le aziende e i team di piccole dimensioni, le università, gli enti pubblici e tutti quei contesti vincolati da limiti di risorse o da particolari esigenze di controllo.
“Stiamo rilasciando Antares come modello open-weight perché la comunità della sicurezza informatica ha bisogno di componenti tecnologici più accessibili per creare difese pratiche a livello di repository”, ha scritto Amin Karbasi, vicepresidente e chief AI scientist di Cisco. “Il triage delle vulnerabilità è un’attività onerosa. Richiede competenze specialistiche, tempo, infrastrutture adeguate e accesso a codice sensibile. Questi costi incidono in modo particolarmente significativo sulle aziende che operano già con risorse limitate dedicate alla sicurezza: università, istituti di ricerca, organizzazioni non profit e team del settore pubblico che continuano comunque a gestire software importanti”.
Come funzionano i modelli Antares
I modelli della serie Antares vanno a caccia di vulnerabilità un po’ come farebbe un analista umano alle prese con un repository da esaminare. “Ogni modello parte dalla descrizione di una vulnerabilità, ricerca pattern di codice rilevanti, legge i file candidati, integra nuove evidenze, cambia direzione quando una strada si rivela infruttuosa e converge verso i file con la maggiore probabilità di rilevanza”, ha illustrato Karbasi. “L'obiettivo non è sostituire il giudizio degli esperti, ma piuttosto rendere le prime fasi di triage delle vulnerabilità nel codice sorgente più rapide, ripetibili e facili da revisionare”.
Antares può dare supporto in attività come la localizzazione dei file relativi a una categoria CWE (Common Weakness Enumeration) in uno snapshot del repository, la gestione del triage nelle indagini di sicurezza, il potenziamento dell’analisi statica (con una esplorazione del repository basata su AI), e ancora attività di triage in ambito CI/CD e analisi di sicurezza eseguite su risorse locali. I modelli generano un elenco dei file sorgente che hanno maggiore probabilità di contenere una vulnerabilità rilevante, insieme alla traccia delle esplorazioni effettuate.
Questi risultati possono servire al personale per assegnare priorità alle attività svolte in modo tradizionale. Cisco lo rimarca: c’è ancora di bisogno del lavoro degli esperti, per esempio per fare analisi delle dipendenze e della composizione software, attività di secret scanning, test dinamici, controlli dell’infrastruttura e dei container, attività di threat modeling, processi di remediation e revisione.
L’esigenza di un nuovo benchmark
Nonostante le dimensioni ridotte, Antares-350M e Antares-1B superano decine di LLM delle concorrenza, tra cui varianti di Llama (di Meta), Gemma (la famiglia di modelli open-source di Google), Gemini 2.5 Flash (sempre di Google) e Qwen 3.5 (Alibaba Cloud). Chi lo dice? Un nuovo benchmark creato da Cisco proprio per valutare le capacità di localizzazione delle vulnerabilità.
Il nuovo Vulnerability Localization Benchmark include 500 casi di test in cui viene chiesto ai modelli di navigare in modo efficiente all’interno di codebase non familiari e, allo stesso tempo, di riconoscere i pattern di vulnerabilità associati a specifiche categorie CWE.
“La creazione di un modello per la localizzazione del codice vulnerabile ha posto fin da subito una sfida in termini di misurazione”, ha spiegato Karbasi. “Non era sufficiente basarsi esclusivamente sui benchmark generali per il coding, perché Antares non è progettato per la risoluzione generica di problemi, la generazione di patch o la ricerca estesa nel codice. Il modello è invece ottimizzato per attività di localizzazione specifiche per la sicurezza: a partire da un contesto di sicurezza limitato, identifica i file sorgente con maggiore probabilità di contenere una vulnerabilità”.
Lo sviluppo di questi modelli rientra in un più ampio impegno di Cisco per un utilizzo dell’intelligenza artificiale sicuro e al servizio della stessa cybersicurezza. La serie Antares si affianca a due framework “agnostici” recentemente presentati: Foundry Security Spec utilizza capacità di agentic AI per valutare e validare altri sistemi di intelligenza artificiale, mentre CodeGuard aiuta a garantire un coding “agentico” privo di rischi.