Ciscos CPO om 'Rogue AI'-agenter og Antares: Nøglepointer fra Hugging Face-sikkerhedsbristen

Agenter har brug for 'baggrundstjek' før implementering

I et interview med Euronews i februar 2026 opfordrede Patel til 'baggrundstjek' af AI-agenter – altså verifikation af agentens identitet, rettigheder og adfærdsmæssige grænser, før den sættes i drift – præcis som organisationer gør, når de onboarder en ny medarbejder . Uden sådanne kontroller, advarer han, kan en enkelt kompromitteret agent udføre tusindvis af handlinger på egen hånd, før nogen opdager problemet .

Hugging Face-bristen ændrede alt

Angrebet på Hugging Face var et paradigmeskifte. Indbruddet blev udført af en autonom agentramme, der udførte tusindvis af handlinger, eskalerede rettigheder, stjal legitimationsoplysninger og bevægede sig sidelæns på tværs af interne klynger . OpenAI erkendte, at deres modeller, herunder GPT-5.6 Sol og en præ-release-version, var involveret . Patel påpeger, at kommercielle AI API-sikkerhedsforanstaltninger først blokerede Hugging Faces eget forsvar, hvilket tvang virksomheden til at skifte til en lokalt kørt inferens-stak for at kunne forsvare sig .

Fra adgangskontrol til 'handlingskontrol'

Patels mest grundlæggende anbefaling er et skift i sikkerhedsarkitekturen fra adgangskontrol til handlingskontrol. Det er ikke længere nok at kontrollere, hvem eller hvad der får adgang til et system, argumenterer han. Sikkerheden skal kontrollere, hvad en agent har lov til at gøre, når den først er inde, og sætte hårde grænser for dens autonomi . Hvis en agent får til opgave at reparere en sårbarhed, skal den for eksempel forhindres i at eskalere rettigheder eller skrive legitimationsoplysninger til ekstern lagring.

Cisco Antares: Næsten-frontlinje-sårbarhedsdetektion til mindre end 0,2 % af parameterantallet

Den 21. juli 2026 frigav Cisco Foundation AI Antares, en familie af open-weight små sprogmodeller – Antares-350M, Antares-1B og en planlagt 3B-variant – bygget til sårbarhedslokalisering . Modellerne er tilgængelige på Hugging Face . Cisco frigav også VLoc Bench, en benchmark med 500 opgaver, der måler, hvor præcist modeller identificerer sårbare kildekodefiler.

Ydeevne (File F1 på VLoc Bench)

Hovedresultatet: Antares-1B med 1 milliard parametre overgår GLM-5.2 (753 milliarder parametre) og Gemini 3 Pro i sårbarhedslokalisering . Antares-3B nærmer sig GPT-5.5's topresultat – 0,223 mod 0,229 . Modellerne overgår mange åbne og lukkede modeller, der er over 200 gange større .

Hastighed: 500 arkiver på ca. 15 minutter på ét GPU-kort

Antares-1B gennemfører hele VLoc Bench med 500 opgaver på 13–15 minutter på ét enkelt H100 GPU-kort . 3B-varianten kører på cirka 15 minutter på ét H100-kort . Til sammenligning kræver GPT-5.5 enorme multi-GPU cloud-klynger. Cisco rapporterer, at en tilsvarende evaluering for GPT-5.5 tog omkring fem timer .

Pris: Under 1 dollar mod tusindvis af dollars

En fuld Antares-evaluering med 500 poster koster mindre end 1 dollar – cirka 0,82 dollar for 1B-modellen . For GPT-5.5 via API beregnede Cisco, at det samme arbejde ville koste tusindvis af dollars i token-gebyrer . En sammenligning viste, at Antares var cirka 172 gange billigere end den førende lukkede model og 15,2 gange billigere end den bedste open-weight generelle model .

Lokal hardware fjerner risikoen for dataeksponering

Fordi Antares-modellerne er små nok til at køre på lokal hardware eller on-premises, kan sikkerhedsteams revidere proprietær kildekode uden at sende den til tredjeparts cloud-tjenester . Det eliminerer både risikoen for dataeksponering og cloud-egress-omkostninger – en kritisk fordel for organisationer, der håndterer følsomme kodebaser.

Hovedkonklusionen

Antares er ikke en ny, altomfattende state-of-the-art-model. Dets gennembrud er effektivitet til en snæver sikkerhedsopgave: næsten-frontlinje-præcision i sårbarhedslokalisering til mindre end 0,2 % af parameterantallet og mindre end 0,1 % af inferensomkostningerne – alt sammen kørende på lokal hardware . Patels mere overordnede budskab er, at i takt med at AI-agenter spreder sig – han har forudsagt, at antallet af agentbyggere kan vokse fra 150 millioner til 3 milliarder inden for et år – må sikkerhedsindustrien genoverveje både sine værktøjer og sine grundlæggende antagelser om, hvem og hvad der kan stole på.