A cura di Amin Karbasi, VP, Chief Scientist, Cisco Foundation AI
Milano, 22 luglio 2026 – Cisco presenta Antares, una famiglia di modelli linguistici di piccole dimensioni (SLM) per la sicurezza, progettati appositamente per affrontare uno dei problemi più complessi, dispendiosi in termini di tempo costosi: individuare con precisione dove si nascondono le vulnerabilità note all’interno del codice sorgente.
Cisco ha rilasciato due di questi modelli — Antares-350M e Antares-1B — come modelli open weight, oggi disponibili per l’intera community su Hugging Face. I test di valutazione dimostrano che questi modelli superano gran parte dei potenti modelli sia proprietari sia open-weight, offrendo prestazioni elevate a un costo decisamente inferiore. Inoltre, sono sufficientemente compatti da poter essere utilizzati in locale, eliminando la necessità di inviare basi di codice sensibili al cloud.
Combinando modelli open-weight come Antares, standard aperti come Foundry Security Spec, linee guida per lo sviluppo sicuro del codice come CodeGuard e un nuovo benchmark, contribuiamo a definire una nuova generazione di strumenti IA pratici e affidabili, progettati per aiutare i professionisti della cybersecurity a svolgere il proprio lavoro in modo più efficace. Allo stesso tempo, stiamo promuovendo un ecosistema e standard condivisi che favoriscano una più ampia adozione di strumenti di sicurezza basati sull’IA da parte delle aziende.
Modelli compatti per un processo di sicurezza oneroso e sensibile
La sicurezza del software dipende dal collegamento tra le conoscenze esterne sulle vulnerabilità — come database pubblici, advisory e classificazioni CWE — e il codice interno. È un’attività complessa poiché i repository possono essere molto estesi, i segnali legati alla sicurezza spesso sono poco chiari e le evidenze rilevanti raramente si trovano in un unico punto facilmente identificabile. Gli analisti devono spesso analizzare codice che non conoscono, seguire convenzioni di denominazione, analizzare i percorsi di chiamata, confrontare file potenzialmente interessati e determinare se una vulnerabilità sia effettivamente presente.
Inoltre, le aziende hanno bisogno di strumenti di sicurezza che non siano solo efficaci ma anche concreti e semplici da implementare. I modelli compatti riducono i costi di inferenza, supportano operazioni locali o on-premise e aiutano i team a mantenere il codice sorgente sensibile all’interno del proprio ambiente. Antares può sbloccare tutto il potenziale della sicurezza assistita dall’AI per università, enti del settore pubblico e team di sicurezza di minori dimensioni che finora potrebbero non aver avuto le risorse necessarie per impiegare modelli di IA ad alto consumo di token in attività critiche.
Antares è stato progettato specificamente per affrontare entrambe le problematiche.
Che cosa rende Antares diverso
Gli strumenti tradizionali di analisi statica sono preziosi ma spesso si basano su un elevato numero di regole e possono generare risultati che richiedono un’attività di analisi e valutazione approfondita. I modelli di coding di uso generale sono in grado di ragionare sul codice, ma potrebbero non essere ottimizzati per attività di analisi di sicurezza, navigazione da terminale o localizzazione strutturata delle vulnerabilità.
Antares è stato progettato proprio per colmare questo divario. Il modello nasce dagli studi pionieristici del team Cisco Foundation AI, che hanno dimostrato come modelli compatti possano imparare a cercare informazioni, riflettere, rivedere la propria strategia e tornare sui propri passi quando un percorso si rivela improduttivo. In altre parole, capacità di ricerca efficaci possono emergere da strategie di esplorazione apprese dal modello, non soltanto dalle sue dimensioni. La domanda successiva era capire se lo stesso approccio potesse contribuire ad affrontare una sfida urgente e concreta della sicurezza informatica: la localizzazione del codice vulnerabile.
Antares segue un modello di ricerca iterativo che rispecchia il modo in cui un analista umano esamina un repository. 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. 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.
In pratica, Antares può supportare flussi di lavoro come ad esempio:
- Localizzazione dei file relativi a una categoria CWE all’interno di uno snapshot del repository
- Gestione del triage nelle indagini di sicurezza guidate da advisory
- Potenziamento dell’analisi statica mediante l’esplorazione del repository basata su modelli di IA
- Supporto ai flussi di lavoro di triage in ambito CI/CD, nei quali i file potenzialmente vulnerabili richiedono una revisione tempestiva
- Abilitazione dell’analisi di sicurezza in locale all’interno di ambienti soggetti a stringenti requisiti di privacy o conformità.
Antares restituisce un elenco ordinato dei file sorgente con maggiore probabilità di contenere una vulnerabilità rilevante, insieme alla traccia delle esplorazioni effettuate tramite terminale che ha portato a tale risultato. I team di sicurezza possono utilizzare questi risultati per assegnare priorità alle attività di revisione da parte degli analisti durante il triage degli advisory, le analisi mirate basate su CWE o i controlli di sicurezza nei processi CI/CD. Antares non è pensato per sostituire l’intera catena di strumenti di application security. I team di sicurezza continuano ad avere bisogno di analisi delle dipendenze e della composizione software, di attività di secret scanning, test dinamici, controlli dell’infrastruttura e dei container, attività di threat modeling, processi di remediation e revisione da parte di esperti.
Perché era necessario un nuovo benchmark
La creazione di un modello per la localizzazione del codice vulnerabile ha posto fin da subito una sfida in termini di misurazione. 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.
L’approccio più vicino è rappresentato da CodeScout, che valuta agenti di ricerca del codice basati su terminale utilizzando benchmark di software engineering come SWE-Bench Verified, Pro e Lite. CodeScout dimostra che la localizzazione del codice può essere addestrata e valutata utilizzando un terminale Unix standard. Tuttavia, questi benchmark misurano generalmente la capacità di un agente di individuare il codice rilevante per un problema software o un’attività di sviluppo, non la capacità di localizzare file vulnerabili a partire da descrizioni di sicurezza in stile CWE, advisory di sicurezza o specifiche classi di vulnerabilità.
Questa lacuna ha portato alla creazione del Vulnerability Localization Benchmark, un benchmark composto da 500 casi di test che richiede ai modelli di navigare in modo efficiente all’interno di codebase non familiari e, allo stesso tempo, riconoscere i pattern di vulnerabilità associati a specifiche categorie CWE.
Perchè Open-Weight
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.
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.
Un progresso mirato
Antares fa parte di un più ampio impegno di Cisco volto a far evolvere il modo in cui le organizzazioni che si occupano di sicurezza utilizzano l’AI in modo responsabile, misurabile e a supporto dei professionisti della cybersecurity. Con Foundry Security Spec, Cisco ha condiviso un framework indipendente dal modello per la realizzazione di sistemi di valutazione della sicurezza basati su agenti AI, con ruoli definiti, meccanismi di controllo e risultati verificabili. Con CodeGuard, Cisco ha contribuito a definire regole e competenze secure-by-default in grado di guidare gli agenti AI dedicati alla scrittura del codice verso uno sviluppo software più sicuro. Con Antares, Cisco amplia questo approccio introducendo modelli di sicurezza compatti e un benchmark focalizzato sull’individuazione delle vulnerabilità a livello di repository.
Gli sforzi di Cisco sono accomunati da una convinzione: l’AI applicata alla sicurezza deve andare oltre le dimostrazioni isolate di grande impatto e orientarsi verso sistemi che i professionisti possano valutare, governare e migliorare nel tempo. Foundry Security Spec contribuisce a definire il framework operativo per le attività di sicurezza basate su agenti AI. CodeGuard aiuta a rafforzare la prevenzione, raccogliendo le pratiche di sviluppo sicuro in un corpus di regole riutilizzabile. Antares, infine, supporta la fase, particolarmente onerosa, di localizzazione delle vulnerabilità, restringendo l’analisi ai file sorgente che possono essere esaminati dai revisori umani.
Nel loro insieme, queste iniziative possono aiutare la community a costruire una base più solida e duratura per la difesa assistita dall’AI: specifiche aperte, conoscenze di sicurezza riutilizzabili, modelli compatti e implementabili e benchmark che rendano misurabili i progressi. L’obiettivo è contribuire alla realizzazione di un sistema in cui tutti i professionisti della sicurezza, indipendentemente dal fatto che operino in ambienti on-premise o siano soggetti a vincoli di risorse, possano integrare efficacemente l’AI nelle attività quotidiane di sicurezza.
Visita la nostra pagina su Hugging Face per esplorare i modelli Antares e consultare la relativa scheda del modello. Per saperne di più sul benchmark e sulla metodologia di valutazione, leggi il documento tecnico sul Vulnerability Localization Benchmark oppure contatta Cisco Foundation AI.
A proposito di Cisco
Cisco (NASDAQ: CSCO) è il leader tecnologico mondiale che connette tutto in modo sicuro per rendere tutto possibile. Il nostro obiettivo è quello di creare un futuro inclusivo per tutti, aiutando i nostri clienti a reimmaginare le loro applicazioni, ad alimentare il lavoro ibrido, a proteggere le loro aziende, a trasformare le loro infrastrutture e a raggiungere i loro obiettivi di sostenibilità. Scopri di più sulla sezione italiana di EMEA Network e seguici su Twitter @Cisco. Digitaliani: l’impegno Cisco per la Digitalizzazione del Paese.
Cisco e il logo Cisco sono marchi o marchi registrati di Cisco e/o delle sue affiliate negli Stati Uniti e in altri Paesi. Un elenco dei marchi Cisco è disponibile all’indirizzo www.cisco.com/go/trademarks. I marchi di terze parti citati appartengono ai rispettivi proprietari. L’uso del termine partner non implica un rapporto di partnership tra Cisco e altre aziende.
