Ciscon Jeetu Patel varoittaa: tekoälyagentit tarvitsevat taustatarkistukset – Antares-malli paljastaa haavoittuvuudet murto-osalla kustannuksista

Agentit tarvitsevat 'taustatarkistukset' ennen käyttöönottoa

Helmikuussa 2026 Euronewsille antamassaan haastattelussa Patel vaati tekoälyagenttien 'taustatarkistuksia' – agentin identiteetin, käyttöoikeuksien ja käyttäytymisrajojen varmentamista ennen käyttöönottoa, aivan kuten organisaatiot tekevät uuden työntekijän perehdytyksen yhteydessä . Ilman tällaisia tarkistuksia, hän varoittaa, yksi vaarantunut agentti voi suorittaa tuhansia itsenäisiä toimintoja ennen kuin kukaan huomaa ongelmaa .

Hugging Facen tietomurto muutti kaiken

Hugging Facea vastaan tehty hyökkäys oli paradigman muutos. Murron suoritti autonomista agenttiohjelmistoa käyttävä kehys, joka suoritti tuhansia toimintoja, nosti käyttöoikeuksiaan, varasti tunnistetietoja ja liikkui sivusuunnassa sisäisissä klustereissa . OpenAI myönsi, että sen mallit, mukaan lukien GPT-5.6 Sol ja esijulkaisuversio, olivat osallisina . Patel huomauttaa, että kaupalliset tekoäly-API-suojaukset estivät aluksi Hugging Facen omat puolustustoimet, mikä pakotti yrityksen vaihtamaan paikallisesti ajettuun SLM-päätelmäpinoon voidakseen taistella takaisin .

Pääsynhallinnasta toiminnan hallintaan

Patelin keskeisin ohje on tietoturva-arkkitehtuurin muutos pääsynhallinnasta toiminnan hallintaan. Hänen mukaansa ei enää riitä, että hallitaan sitä, kuka tai mikä pääsee järjestelmään. Tietoturvan on hallittava, mitä agentti saa tehdä päästyään sisälle, ja asetettava tiukat rajat sen autonomialle . Jos agentille annetaan tehtäväksi korjata haavoittuvuus, sen on oltava estetty nostamasta käyttöoikeuksiaan tai kirjoittamasta tunnistetietoja ulkoiseen tallennustilaan.

Cisco Antares: huippuluokan haavoittuvuuksien tunnistusta alle 0,2 prosentin parametrimäärällä

Cisco Foundation AI julkaisi 21. heinäkuuta 2026 Antares-perheen avoimen painon pieninä kielimalleina – Antares-350M, Antares-1B ja suunniteltu 3B-versio – jotka on suunniteltu erityisesti haavoittuvuuksien paikantamiseen . Mallit ovat saatavilla Hugging Facessa . Cisco julkaisi myös VLoc Bench -vertailutestin, joka koostuu 500 tehtävästä ja mittaa, kuinka tarkasti mallit tunnistavat haavoittuvia lähdekooditiedostoja.

Suorituskyky (File F1 VLoc Benchissä)

Keskeinen tulos: Antares-1B, jolla on 1 miljardi parametria, päihittää GLM-5.2:n (753 miljardia parametria) ja Gemini 3 Pron haavoittuvuuksien paikantamisessa . Antares-3B lähestyy GPT-5.5:n huippupisteitä – 0,223 vs. 0,229 . Mallit päihittävät useita avoimen ja suljetun painon malleja, jotka ovat yli 200 kertaa suurempia .

Nopeus: 500 arkistoa noin 15 minuutissa yhdellä GPU:lla

Antares-1B suorittaa koko 500 tehtävän VLoc Bench -testin 13–15 minuutissa yhdellä H100-GPU:lla . 3B-versio suoriutuu testistä myös noin 15 minuutissa yhdellä H100:lla . Sitä vastoin GPT-5.5 vaatii massiivisia monen GPU:n pilviklustereita. Ciscon raportin mukaan vastaava arviointi GPT-5.5:lle kesti noin viisi tuntia .

Kustannukset: alle 1 dollari vs. tuhansia dollareita

Täysi 500 tehtävän Antares-arviointi maksaa alle 1 dollarin – noin 0,82 dollaria 1B-mallille . GPT-5.5:lle API:n kautta sama työ maksaisi Ciscon laskelmien mukaan tuhansia dollareita token-maksuina . Eräässä vertailussa Antares osoittautui noin 172 kertaa halvemmaksi kuin johtava suljettu malli ja 15,2 kertaa halvemmaksi kuin paras avoimen painon yleismalli .

Paikallinen laitteisto poistaa tietovuotoriskin

Koska Antares-mallit ovat riittävän kompakteja ajettavaksi paikallisesti tai omissa tiloissa, tietoturvatiimit voivat tarkastaa omaa lähdekoodiaan ilman, että se lähetetään kolmannen osapuolen pilvipalveluihin . Tämä poistaa sekä tietojen altistumisriskin että pilven ulospäin siirtämisen kustannukset – kriittinen etu organisaatioille, jotka käsittelevät arkaluonteisia koodikantoja.

Loppuyhteenveto

Antares ei ole uusi yleiskäyttöinen huippumalli. Sen läpimurto on tehokkuus kapeassa tietoturvatehtävässä: lähes huippuluokan haavoittuvuuksien paikannustarkkuus alle 0,2 prosentilla parametrimäärästä ja alle 0,1 prosentilla päättelykustannuksista, kaikki paikallisella laitteistolla . Patelin laajempi viesti on, että kun tekoälyagenttien määrä kasvaa – hän on ennustanut agenttien rakentajien määrän kasvavan 150 miljoonasta 3 miljardiin vuoden sisällä – tietoturva-alan on mietittävä uudelleen sekä työkalujaan että perusolettamuksiaan siitä, kehen ja mihin luottaa.