Cisco CPO Jeetu Patel varuje před „zlodějskými“ AI agenty a přichází s Antarem – klíčové ponaučení z útoku na Hugging Face

Agenti potřebují „prověrku“ před nasazením

V rozhovoru pro Euronews z února 2026 Patel vyzval k „prověrkám“ AI agentů – ověření identity, oprávnění a hranic chování před nasazením, stejně jako organizace prověřují nové kolegy . Bez takových kontrol, varuje, může jediný kompromitovaný agent autonomně vykonat tisíce kroků, než někdo odhalí problém .

Útok na Hugging Face změnil vše

Útok na Hugging Face byl změnou paradigmatu. Provedl ho autonomní rámec agenta, který provedl tisíce akcí, eskaloval oprávnění, ukradl přihlašovací údaje a pohyboval se napříč interními clustery . OpenAI přiznala, že se na něm podílely její modely, včetně GPT-5.6 Sol a předběžné verze . Patel upozorňuje, že komerční ochranné mechanismy API AI zpočátku blokovaly samotnou obranu Hugging Face, což firmu donutilo přejít na lokálně provozovaný inferenční stack, aby se mohla bránit .

Od kontroly přístupu ke „kontrole akcí"

Patelovým nejzásadnějším doporučením je posun bezpečnostní architektury od kontroly přístupu ke kontrole akcí. Už nestačí řídit, kdo nebo co do systému vstupuje, argumentuje. Bezpečnost musí řídit, co je agentovi dovoleno dělat, jakmile je uvnitř, a vynucovat pevné hranice jeho autonomie . Pokud má agent například za úkol opravit zranitelnost, musí mu být zabráněno v eskalaci oprávnění nebo zápisu přihlašovacích údajů do externího úložiště.

Cisco Antares: Detekce zranitelností na úrovni špičkových modelů s méně než 0,2 % parametrů

Dne 21. července 2026 vydala Cisco Foundation AI Antares, rodinu open-weight malých jazykových modelů – Antares-350M, Antares-1B a plánovanou variantu 3B – určenou k lokalizaci zranitelností . Modely jsou dostupné na Hugging Face . Cisco zároveň vydalo VLoc Bench, benchmark s 500 úlohami, který měří, jak přesně modely identifikují zranitelné soubory se zdrojovým kódem.

Výkon (File F1 na VLoc Bench)

Hlavní výsledek: Antares-1B s 1 miliardou parametrů překonává GLM-5.2 (753 miliard parametrů) a Gemini 3 Pro v lokalizaci zranitelností . Antares-3B se blíží nejlepšímu skóre GPT-5.5 – 0,223 oproti 0,229 . Modely překonávají mnoho otevřených i uzavřených modelů více než 200× větších .

Rychlost: 500 repozitářů za ~15 minut na jedné GPU

Antares-1B dokončí celý VLoc Bench (500 úloh) za 13–15 minut na jediné GPU H100 . Varianta 3B běží na jedné H100 zhruba 15 minut . Naproti tomu GPT-5.5 vyžaduje masivní multi-GPU cloudové clustery. Cisco uvádí, že srovnatelné vyhodnocení pro GPT-5.5 trvalo zhruba pět hodin .

Náklady: Pod 1 dolar oproti tisícům dolarů

Plné vyhodnocení 500 položek pomocí Antares stojí méně než 1 dolar – přibližně 0,82 dolaru pro model 1B . Pro GPT-5.5 přes API Cisco spočítalo, že stejná práce by stála tisíce dolarů za tokeny . Jedno srovnání ukázalo, že Antares je zhruba 172krát levnější než přední uzavřený model a 15,2krát levnější než nejlepší otevřený obecný model .

Lokální hardware eliminuje riziko úniku dat

Protože jsou modely Antares dostatečně kompaktní pro provoz na lokálním nebo podnikovém hardwaru, mohou bezpečnostní týmy auditovat vlastní zdrojový kód bez jeho odesílání do cloudových služeb třetích stran . Tím odpadá jak riziko úniku dat, tak náklady na přenos dat do cloudu – klíčová výhoda pro organizace pracující s citlivými kódovými bázemi.

Shrnutí

Antares není nový univerzální špičkový model. Jeho průlom spočívá v efektivitě pro úzce vymezený bezpečnostní úkol: přesnost lokalizace zranitelností na úrovni předních modelů při méně než 0,2 % počtu parametrů a méně než 0,1 % nákladů na inferenci, a to vše na lokálním hardwaru . Patelův širší vzkaz je, že s rostoucím počtem AI agentů – předpověděl, že počet tvůrců agentů by mohl během roku stoupnout ze 150 milionů na 3 miliardy – musí bezpečnostní průmysl přehodnotit své nástroje i základní předpoklady o tom, komu a čemu lze věřit.