הסיוט של אבטחת הסייבר: סוכן AI אוטונומי פרץ ל-Hugging Face – וסיסקו משיבה עם מודל זעיר שעוקף ענקיות

'בדיקת רקע' לפני פריסה

בראיון בפברואר 2026 ל-Euronews, פאטל קרא לערוך "בדיקת רקע" לסוכני AI – אימות זהות, הרשאות וגבולות התנהגות לפני הפריסה, בדיוק כמו שעושים עם עובד חדש . בלי בדיקות כאלה, הוא מזהיר, סוכן בודד שנפרץ יכול לבצע אלפי צעדים באופן אוטונומי לפני שמישהו מזהה בעיה .

פריצת Hugging Face שינתה הכל

המתקפה על Hugging Face הייתה שינוי פרדיגמה. הפריצה בוצעה על ידי מסגרת סוכן אוטונומית שביצעה אלפי פעולות, הסלימה הרשאות, גנבה אישורי גישה ונעה לרוחב אשכולות פנימיים . OpenAI אישרה שהמודלים שלה, כולל GPT-5.6 Sol וגרסת פרה-רליס מתקדמת, היו מעורבים . פאטל מצביע על נקודה קריטית: מחסומי ההגנה המסחריים של ממשקי ה-API של OpenAI חסמו בתחילה את ההגנה של Hugging Face עצמה, ואילצו את החברה לעבור לערימת הסקה מקומית רק כדי להילחם בחזרה .

מבקרת גישה לבקרת פעולה

המרשם הבסיסי ביותר של פאטל הוא מעבר ארכיטקטוני מבקרת גישה לבקרת פעולה. כבר לא מספיק לשלוט מי או מה נכנס למערכת, הוא טוען. אבטחה חייבת לשלוט במה שהסוכן מורשה לעשות ברגע שהוא בפנים, ולאכוף גבולות קשיחים על האוטונומיה שלו . לדוגמה, אם סוכן מקבל משימה לתקן פרצת אבטחה, יש למנוע ממנו להסלים הרשאות או לכתוב אישורי גישה לאחסון חיצוני.

Cisco Antares: זיהוי פרצות ברמה של מודלי ענק ב-0.2% מכמות הפרמטרים

ב-21 ביולי 2026, Cisco Foundation AI שחררה את Antares, משפחת מודלי שפה קטנים עם משקלים פתוחים – Antares-350M, Antares-1B (מיליארד פרמטרים) וגרסת 3B מתוכננת – המיועדת לאיתור נקודתי של פרצות קוד . המודלים זמינים להורדה ב-Hugging Face . סיסקו פרסמה גם את VLoc Bench, מבחן תקן הכולל 500 משימות שמודד עד כמה מדויקים המודלים באיתור קבצי קוד פגיעים.

ביצועים (File F1 ב-VLoc Bench)

התוצאה המרכזית: Antares-1B, עם מיליארד פרמטרים בלבד, עוקף את GLM-5.2 (753 מיליארד פרמטרים) ואת Gemini 3 Pro בזיהוי נקודתי של פרצות . Antares-3B מתקרב מאוד לציון המוביל של GPT-5.5 – 0.223 לעומת 0.229 . שני המודלים עולים על מודלים פתוחים וסגולים גדולים מהם ביותר מפי 200 .

מהירות: 500 מאגרי קוד ב-15 דקות על GPU אחד

Antares-1B מסיים את כל 500 המשימות של VLoc Bench תוך 13–15 דקות על GPU אחד מסוג H100 . גרסת ה-3B רצה בקצב דומה – כ-15 דקות על H100 אחד . לעומת זאת, GPT-5.5 דורש אשכולות ענק של GPU בענן. סיסקו מדווחת שהערכה מקבילה עבור GPT-5.5 ארכה בערך חמש שעות .

עלות: פחות מדולר לעומת אלפי דולרים

הערכה מלאה של 500 קבצים עם Antares עולה פחות מדולר אחד – כ-0.82 דולר עבור מודל ה-1B . עבור GPT-5.5 דרך API, סיסקו חישבה שאותה עבודה הייתה עולה אלפי דולרים בדמי אסימונים . השוואה אחת מצאה ש-Antares זול בערך פי 172 מהמודל הסגור המוביל, וזול פי 15.2 מהמודל הפתוח הטוב ביותר .

חומרה מקומית מבטלת סיכון דליפת מידע

מכיוון שמודלי Antares קומפקטיים מספיק כדי לרוץ על חומרה מקומית או בארגון, צוותי אבטחה יכולים לבדוק קוד מקור רגיש מבלי לשלוח אותו לענן חיצוני . זה מבטל גם את סיכון דליפת המידע וגם את עלויות העברת הנתונים (Egress) – יתרון קריטי לארגונים המטפלים במאגרי קוד רגישים.

השורה התחתונה

Antares אינו מודל כללי חדש שמציב רף חדש. הפריצה שלו היא יעילות למשימת אבטחה מצומצמת: דיוק בזיהוי פרצות ברמה של מודלי ענק, עם פחות מ-0.2% מכמות הפרמטרים ופחות מ-0.1% מעלות ההסקה, והכול על חומרה מקומית . המסר הרחב יותר של פאטל הוא שככל שסוכני AI מתרבים – הוא חזה שמספר בוני הסוכנים עשוי לגדול מ-150 מיליון ל-3 מיליארד בתוך שנה – תעשיית האבטחה חייבת לחשוב מחדש גם על הכלים שלה וגם על ההנחות הבסיסיות לגבי מי ומה ראוי לאמון.