اگر مدیر فنی یا برنامهنویسی هستید که هر ماه میلیونها تومان بابت APIهای ابری برای تحلیل کد میپردازید، زمان تغییر استراتژی رسیده است. تحلیل ۵۰۰ مخزن کد توسط مدلهای جدید سیسکو کمتر از ۱ دلار هزینه داشت، در حالی که GPT-5.5 برای همان کار بیش از ۱۰۰ دلار هزینه کرد و ۵ ساعت زمان برد.
این شکاف قیمتی عظیم، دلیل اصلی عرضه خانواده مدلهای Antares در ۲۲ جولای ۲۰۲۶ است. هدف این تحول، تغییر تمرکز از «اندازه مدل» به «بهرهوری شدید» در مکانیابی نقاط ضعف امنیتی است. همانطور که در تحلیلهای قبلی ما دربارهی رقابت مدلهای استدلالی سطح بالا اشاره کردیم، اکنون صنعت در حال تفکیک است؛ در حالی که مدلهای پیشرو برای هوش مطلق میجنگند، سیسکو روی مدل زبانی کوچک (SLM) — که شبیه به متخصصی است که فقط یک کتاب درمانی خاص را حفظ کرده اما در آن بیرقیب است — شرطبندی کرده است.
به نقل از مستندات شرکت، بخش هوش مصنوعی بنیاد سیسکو دو نسخه با وزنهای باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده و نه فقط غذای آماده — تحت لایسنس Apache 2.0 در Hugging Face منتشر کرده است. این رویکرد در راستای روندی است که طی آن مدلهای وزنباز در بازههای زمانی کوتاه به توانمندیهای مدلهای پیشرو در حوزه سایبری رسیدهاند و رقابت را تنگتر کردهاند:
- Antares-350M: کوچکترین مدل که آمان پریانشو، توسعهدهنده این مدل، ادعا میکند ۱۵۰ برابر بیشتر از عاملهایی مثل Devin Security Swarm در هر دلار هزینه، نقطه ضعف شناسایی میکند.
- Antares-1B: نسخهای بزرگتر و توانمندتر برای وظایف پیچیدهتر مکانیابی.
بر اساس گزارش سیسکو، این مدلها روی ۷۲٪ دادههای مفاهیم امنیتی و ۱۵٪ تاریخچه جستوجوی کد آموزش دیدهاند. برای اعتبارسنجی، سیسکو محک مکانیابی نقاط ضعف (VLoc Bench) را معرفی کرد که شامل ۵۰۰ تکلیف عاملمحور است. این موفقیت تا حد زیادی مدیون بهرهگیری از ساختار عاملمحور است که به مدلهای کوچک اجازه میدهد در تحلیل کدهای حجیم، بر مدلهای بسیار بزرگتر غلبه کنند.
برای یک کاربر تجاری، این یعنی امنیت سایبری دیگر نیازی به ارسال مالکیت معنوی حساس به یک ارائهدهنده ابری یا پرداخت هزینههای گزاف ندارد. چون این مدلها بهصورت محلی اجرا میشوند، کد هرگز از محیط شرکت خارج نمیشود. اثر ثانویه این اتفاق، حرکت به سمت «امنیت در طراحی» است؛ جایی که مدلهای کوچک مانند یک فیلتر ارزانقیمت و دائمی در طول چرخه توسعه عمل میکنند.
سیسکو نسخه بزرگتر ۳ میلیارد پارامتری را برای محصولات داخلی خود نگه داشته است که گزارش شده عملکردی نزدیک به GPT-5.5 دارد. این شرکت اکنون در حال بررسی تشکیل یک کنسرسیوم صنعتی برای استانداردسازی ابزارهای امنیتی باز است.
گام بعدی شما
- بررسی مدلهای Antares-350M در Hugging Face برای استقرار روی سختافزارهای محلی.
- استفاده از VLoc Bench برای مقایسه دقت ابزارهای شناسایی خطا در پروژه خود.
- تحلیل جایگزینی APIهای گرانقیمت امنیتی با مدلهای تخصصی کوچک.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک نحوه اجرای این مدلها روی لبه، به تحلیل ما درباره تراشههای NPU مراجعه کنید.
گفتگو