Cisco stellt mit Antares eine Familie offener KI-Modelle vor, die Sicherheitslücken direkt im Quellcode lokalisieren. Die Modelle sind winzig, laufen lokal und schlagen laut Cisco deutlich größere Systeme zu einem Bruchteil der Kosten. Für Entwicklerteams verschiebt sich damit, wer Schwachstellen findet und wo die Daten dabei liegen.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Cisco Antares heißt eine neue Familie offener Sprachmodelle für eine unscheinbare, aber teure Sicherheitsaufgabe. Antares ordnet bekannte Schwachstellen den konkreten Dateien zu, in denen sie stecken. Bisher hat das viel Handarbeit gebraucht oder ein großes Modell, das jeden Codeschnipsel in die Cloud schickt.
Das Wichtigste in Kürze
- Cisco hat die offenen Modelle Antares-350M und Antares-1B veröffentlicht, ein größeres Antares-3B ist angekündigt. Alle liegen frei zugänglich auf Hugging Face.
- Die Modelle sind auf Vulnerability Localization spezialisiert: Sie verbinden CVE- und CWE-Daten mit den Dateien im Repository, in denen eine Lücke wahrscheinlich sitzt.
- Ein kompletter Testlauf über 500 Aufgaben hat auf einer einzelnen GPU rund 15 Minuten gedauert und unter 1 US-Dollar gekostet, umgerechnet etwa 0,87 Euro.
- Damit arbeitet Antares laut Cisco rund 15-mal günstiger als das stärkste offene und etwa 172-mal günstiger als das stärkste geschlossene Spitzenmodell.
Was findet Antares im Code?
Nadel im Heuhaufen: Vulnerability Localization ist die Fleißarbeit hinter jeder Meldung über eine Sicherheitslücke. Eine Schwachstelle ist als CVE-Eintrag oder Schwachstellenklasse bekannt, doch niemand weiß, in welcher der zehntausenden Dateien eines Projekts sie konkret steckt. Antares durchsucht das Repository iterativ, liest verdächtige Dateien, verwirft Sackgassen und liefert am Ende eine Rangliste der wahrscheinlich betroffenen Stellen.[1]
Klein, aber trainiert: Dass ein Modell mit wenigen hundert Millionen Parametern hier ein Dutzend größerer Systeme übertrifft, wirkt widersprüchlich. Der Grund liegt in der Aufgabe: Codenavigation belohnt gezieltes Training auf genau diese Suche stärker als schiere Größe. Dasselbe Prinzip zeigt das quelloffene Werkzeug Nativ, mit dem KI-Modelle lokal auf dem Mac laufen.
Warum schlägt ein Zwerg die Riesen beim Preis?
172-mal günstiger: Der Kostenunterschied entsteht nicht allein aus der Modellgröße. Weil die Suche viele Dateien nacheinander liest, summieren sich die Token, und der Preis pro Token entscheidet über die Gesamtrechnung. Ein spezialisiertes Modell auf einer einzelnen Grafikkarte drückt sie auf unter einen Dollar je Durchlauf.
Code bleibt lokal: „Kleine Modelle sind hier besonders überzeugend: Sie laufen lokal, sodass der proprietäre Quellcode die Maschine nie verlässt“, sagt Amin Karbasi, VP und Chief AI Scientist bei Ciscos Foundation AI. Genau dieser Punkt trifft einen Nerv bei Firmen, die ihren Quellcode nicht an fremde Server geben wollen, wie zuletzt die abgeschottete KI von Microsoft und Mistral für regulierte Branchen zeigt.
Nicht die Größe des Modells entscheidet über gute Sicherheit, sondern die Nähe zum Code. Ein Werkzeug, das die Maschine nie verlässt, löst ein Compliance-Problem gleich mit.
— Markus Seyfferth, Chefredakteur Dr. Web
Offene Gewichte, europäische Rechnung
Gegen den Trend: Der Schritt fällt in eine hitzige Debatte über offene KI-Gewichte. Während Teile der Branche vor frei verfügbaren Modellen warnen und für sie strengere Regeln fordern, veröffentlichen Sicherheitsanbieter sie bewusst, weil Prüfbarkeit und niedrige Kosten gerade in der Abwehr zählen.
Souveränität zählt: Für deutsche Teams ist die lokale Ausführung mehr als ein Kostenvorteil. Verlässt der Quellcode das Haus nicht, entfällt der Umweg über US-Cloudanbieter samt DSGVO- und CLOUD-Act-Risiko, und das von NIS2 geforderte Schwachstellenmanagement bleibt im eigenen Haus. Immerhin achten 88 Prozent der deutschen Unternehmen auf das Herkunftsland ihres KI-Anbieters.
Was jetzt zu prüfen ist: Ratsam ist ein Test der offenen Modelle am eigenen CVE-Rückstau, bevor ein teurer Cloud-Scanner den Zuschlag bekommt. Sensible Repositories bleiben auf eigener Hardware, und jeder KI-gestützte Sicherheitsprozess gehört unter dem EU AI Act dokumentiert. Wie schnell geteilte KI-Sitzungen sonst zum Einfallstor werden, zeigt der Fall um manipulierte Claude-Chats auf dem Mac.
Quelle
[1] Cisco: „Introducing Antares: Highly Efficient Open Weight AI Models for Vulnerability Localization“ ↩
Mehr Newshunger?
- KI-Modelle lokal auf dem Mac: Was das quelloffene Tool Nativ leistet
- KI im abgeschotteten Rechenzentrum: Microsoft und Mistral zielen auf Europas regulierte Branchen
- Acht Tage, 22 Kampagnen: Wie geteilte Claude-Chats Schlüssel von Macs abziehen
- Kein Cadence, kein Synopsys: Wie eine KI in 48 Stunden einen Chip entwarf
- KI-Text-Erkennung in der Wissenschaft: Wo die Messung scheitert
- Angriff auf Rumäniens Grundbuch: Warum gelöschte Backups schlimmer sind als gestohlene Daten
