Cisco CPO Jeetu Patel ostrzega przed agentami AI. Antares rewolucjonizuje wykrywanie podatności

Agenci potrzebują „kontroli przeszłości” przed wdrożeniem

W wywiadzie dla Euronews z lutego 2026 r. Patel wezwał do przeprowadzania „kontroli przeszłości” agentów AI – weryfikacji ich tożsamości, uprawnień i granic behawioralnych przed wdrożeniem, dokładnie tak, jak organizacje robią to przy zatrudnianiu nowego pracownika . Bez takich zabezpieczeń, ostrzega, jeden skompromitowany agent może autonomicznie wykonać tysiące kroków, zanim ktokolwiek zauważy problem .

Włamanie do Hugging Face zmieniło wszystko

Atak na Hugging Face był zmianą paradygmatu. Włamanie zostało przeprowadzone przez autonomiczny framework agenta, który wykonał tysiące działań: eskalował uprawnienia, wykradł dane logowania i poruszał się lateralnie po wewnętrznych klastrach . OpenAI przyznało, że w ataku brały udział jego modele, w tym GPT-5.6 Sol oraz przedpremierowa wersja . Patel zwraca uwagę, że komercyjne zabezpieczenia API AI początkowo blokowały obrońców Hugging Face, zmuszając firmę do przejścia na lokalnie uruchamiany stack wnioskowania, aby móc się bronić .

Od kontroli dostępu do kontroli działań

Najbardziej fundamentalnym zaleceniem Patela jest przesunięcie architektury bezpieczeństwa z kontroli dostępu na kontrolę działań. Jego zdaniem nie wystarczy już kontrolować, kto lub co wchodzi do systemu. Bezpieczeństwo musi kontrolować, co agent może robić po wejściu do środka i narzucać twarde ograniczenia jego autonomii . Jeśli agent ma za zadanie załatać lukę, musi być zablokowany przed eskalacją uprawnień lub zapisywaniem danych uwierzytelniających w zewnętrznym magazynie.

Cisco Antares: wykrywanie podatności na poziomie modeli granicznych przy <0,2% ich rozmiaru

21 lipca 2026 r. Cisco Foundation AI wypuściło Antaresa – rodzinę otwartych małych modeli językowych (Antares-350M, Antares-1B i planowany wariant 3B) przeznaczonych do lokalizacji podatności . Modele są dostępne na Hugging Face . Cisco opublikowało też benchmark VLoc Bench, składający się z 500 zadań mierzących, jak dokładnie modele identyfikują podatne pliki w kodzie źródłowym.

Wydajność (File F1 na VLoc Bench)

Wynik, który robi największe wrażenie: Antares-1B (1 miliard parametrów) pokonuje GLM-5.2 (753 miliardy parametrów) i Gemini 3 Pro w lokalizacji podatności . Antares-3B zbliża się do wyniku GPT-5.5 – 0,223 wobec 0,229 . Modele te biją na głowę wiele modeli otwartych i zamkniętych, które są od nich ponad 200 razy większe .

Szybkość: 500 repozytoriów w ok. 15 minut na jednym GPU

Antares-1B wykonuje cały 500-zadaniowy benchmark VLoc Bench w 13–15 minut na pojedynczym GPU H100 . Wariant 3B działa równie szybko, również w ok. 15 minut na jednym H100 . Dla porównania, GPT-5.5 wymaga ogromnych, wielo-GPU chmurowych klastrów. Cisco podaje, że porównywalna ocena dla GPT-5.5 zajęła około pięciu godzin .

Koszt: poniżej 1 dolara vs. tysiące dolarów

Pełna 500-zadaniowa ewaluacja z użyciem Antaresa kosztuje mniej niż 1 dolara – ok. 0,82 dolara dla modelu 1B . Dla GPT-5.5 (przez API) Cisco wyliczyło, że ta sama praca kosztowałaby tysiące dolarów w opłatach za tokeny . Jedno z porównań wykazało, że Antares był około 172 razy tańszy od wiodącego zamkniętego modelu i 15,2 razy tańszy od najlepszego otwartego modelu ogólnego .

Lokalny sprzęt eliminuje ryzyko wycieku danych

Ponieważ modele Antares są na tyle małe, że mogą działać na lokalnym sprzęcie, zespoły ds. bezpieczeństwa mogą audytować zastrzeżony kod źródłowy bez wysyłania go do chmury . Eliminuje to zarówno ryzyko wycieku danych, jak i koszty transferu – co ma kluczowe znaczenie dla organizacji pracujących z wrażliwym kodem.

Podsumowanie

Antares nie jest nowym, ogólnego przeznaczenia modelem sztucznej inteligencji. Jego przełomem jest wydajność w wąskiej domenie bezpieczeństwa: precyzja lokalizacji podatności na poziomie modeli granicznych przy mniej niż 0,2% ich liczby parametrów i mniej niż 0,1% kosztów wnioskowania, działająca w całości na lokalnym sprzęcie . Szersze przesłanie Patela jest takie, że w obliczu lawinowego wzrostu liczby agentów AI – przewiduje on, że liczba twórców agentów może w ciągu roku wzrosnąć ze 150 milionów do 3 miliardów – branża bezpieczeństwa musi na nowo przemyśleć zarówno swoje narzędzia, jak i fundamentalne założenia co do tego, komu i czemu ufać.