Auf den Punkt: Cisco veröffentlicht mit „Antares“ offene Small Language Models zur Quellcode-Schwachstellenanalyse, die laut Hersteller weniger als einen US-Dollar pro Analyse kosten.
Cisco stellt mit „Antares“ eine Familie von Small Language Models vor, die Schwachstellen im Quellcode lokalisieren sollen. Die Modelle sind als Open-Weight-Version auf Hugging Face verfügbar und laut Anbieter für weniger als einen US-Dollar pro Analyse nutzbar.
Cisco hat unter dem Namen „Antares“ eine Reihe von Small Language Models (SLMs) veröffentlicht, die auf die Identifikation von Sicherheitslücken in Quellcode spezialisiert sind. Die Modelle stehen als Open-Weight-Version auf der Plattform Hugging Face bereit und können damit von Unternehmen selbst betrieben und in eigene Prüfprozesse integriert werden.
Für CISOs ist vor allem der Kostenaspekt relevant: Cisco gibt an, dass eine Analyse mit den Antares-Modellen unter einem US-Dollar liegt. Damit positioniert sich das Angebot als günstige Alternative zu größeren, ressourcenintensiveren Sprachmodellen, die für vergleichbare Aufgaben in der Quellcode-Analyse eingesetzt werden. Gerade beim Scannen großer Codebasen oder bei häufig wiederholten automatisierten Prüfungen im Rahmen von CI/CD-Pipelines kann sich der Kostenunterschied bei Volumen deutlich bemerkbar machen.
Der Umstand, dass die Modelle als Open Weights verfügbar sind, erlaubt einen lokalen Betrieb ohne Anbindung an Cloud-Dienste Dritter. Das kann für Organisationen mit hohen Anforderungen an Datenschutz und Quellcode-Vertraulichkeit von Bedeutung sein, da sensibler Code nicht an externe API-Endpunkte übermittelt werden muss. Gleichzeitig bleibt offen, wie die Erkennungsgenauigkeit der SLMs im Vergleich zu etablierten Static-Application-Security-Testing-Werkzeugen (SAST) oder größeren Foundation Models ausfällt, da die Originalquelle hierzu keine Benchmark-Daten nennt.
Für Sicherheitsverantwortliche empfiehlt sich vor einem produktiven Einsatz eine eigene Evaluation anhand bekannter Schwachstellenklassen und vorhandener Codebasen, um Falsch-Positiv- und Falsch-Negativ-Raten realistisch einschätzen zu können, bevor Antares in bestehende Application-Security-Workflows integriert wird.
Quelle: www.security-insider.de · Erschienen 3. August 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.8.3.