Antares: Foundation Models for Agentic Vulnerability Localization
Antares 是一个紧凑语言模型家族（350M、1B、3B 参数），基于 IBM Granite 基础模型，通过两阶段训练（监督微调 + 可验证奖励的强化学习）用于智能体漏洞定位。Antares-3B 在评估中接近 GPT-5.5，并优于大 200 倍以上的开放权重模型。在单个 H100 GPU 上完成 500 任务评估约需 15 分钟，每个任务摊销时间低于 2 秒，成本低于 $0.002。
Development
- First ReportAntares: Foundation Models for Agentic Vulnerability LocalizationarXiv cs.AI
- Current AssessmentAntares 的出现表明，在特定安全任务上，小型开源模型可以以极低的成本提供接近顶级模型的性能。这可能推动漏洞定位工具向本地化、低成本方向发展，减少对大型 API 的依赖。对于安全行业，这可能意味着更高效、更私密的漏洞检测方案，尤其是在敏感环境中。Agent Pulse · analysis
Antares 是一个用于智能体漏洞定位的紧凑语言模型家族，参数规模为 350M、1B 和 3B。基于 IBM Granite 基础模型，通过两阶段训练：先对网络安全推理和仓库探索数据进行监督微调，再通过可验证奖励的强化学习在易受攻击的仓库上进行训练。评估显示，Antares-3B 接近 GPT-5.5 的性能，同时优于规模大 200 倍以上的开放权重模型。该模型家族支持快速、低成本的本地推理，在单个 H100 GPU 上完成 500 任务评估约需 15 分钟，摊销每个任务不到 2 秒，成本低于 $0.002。
Antares 展示了紧凑模型（3B）通过针对性的训练流程（监督微调 + 可验证奖励的强化学习）可以在特定任务（漏洞定位）上接近或超越大型模型（如 GPT-5.5）。这暗示任务专用的小模型可能成为大型通用模型的高效替代品，尤其是在资源受限的环境中。可验证奖励的强化学习可能利用了漏洞定位的可自动验证特性，从而无需人工反馈即可提升推理能力。
Antares 的出现表明，在特定安全任务上，小型开源模型可以以极低的成本提供接近顶级模型的性能。这可能推动漏洞定位工具向本地化、低成本方向发展，减少对大型 API 的依赖。对于安全行业，这可能意味着更高效、更私密的漏洞检测方案，尤其是在敏感环境中。
Antares 的低成本和快速推理（每任务低于 $0.002）使其在商业上具有吸引力，特别是对于需要大规模漏洞扫描的企业。它可能降低安全测试的门槛，使中小型企业也能负担得起。同时，基于开源模型，企业可以本地部署，避免数据外泄风险。
后续可验证的信号包括：Antares 模型是否被集成到实际的安全工具链中，以及其在不同代码库和漏洞类型上的泛化能力。此外，可验证奖励的强化学习在其他推理任务（如代码修复、测试生成）上的应用值得关注。