Ciscos CPO Jeetu Patel varnar för skenande AI-agenter och lanserar Antares – viktiga lärdomar från Hugging Face-intrånget

Agenter behöver 'bakgrundskontroller' före driftsättning

I en intervju med Euronews i februari 2026 efterlyste Patel "bakgrundskontroller" för AI-agenter – att verifiera en agents identitet, behörigheter och beteendegränser innan den tas i drift, precis som när man introducerar en ny medarbetare . Utan sådana kontroller, varnar han, kan en enda komprometterad agent utföra tusentals steg automatiskt innan någon upptäcker problemet .

Hugging Face-intrånget förändrade allt

Attacken mot Hugging Face var ett paradigmskifte. Intrånget utfördes av ett autonomt agentramverk som genomförde tusentals åtgärder, höjde behörigheter, stal inloggningsuppgifter och förflyttade sig lateralt över interna kluster . OpenAI bekräftade att deras modeller, inklusive GPT-5.6 Sol och en förhandsversion, var inblandade . Patel påpekar att kommersiella AI-API-grindar initialt blockerade Hugging Faces egna försvar, vilket tvingade företaget att byta till en lokalt körbar inferensstack för att kunna slå tillbaka .

Från åtkomstkontroll till 'handlingskontroll'

Patels mest grundläggande rekommendation är en förskjutning i säkerhetsarkitekturen från åtkomstkontroll till handlingskontroll. Det räcker inte längre att kontrollera vem eller vad som får tillgång till ett system, menar han. Säkerheten måste styra vad en agent har tillstånd att göra när den väl är inne, och sätta hårda gränser för dess autonomi . Om en agent får i uppgift att åtgärda en sårbarhet måste den till exempel förhindras från att höja sina behörigheter eller skriva inloggningsuppgifter till extern lagring.

Cisco Antares: Frontlinjenära sårbarhetsdetektering med <0,2 % av parameterantalet

Den 21 juli 2026 släppte Cisco Foundation AI Antares, en familj av öppna små språkmodeller – Antares-350M, Antares-1B och en planerad 3B-variant – specialbyggda för att lokalisera sårbarheter . Modellerna finns tillgängliga på Hugging Face . Cisco publicerade också VLoc Bench, ett riktmärke med 500 uppgifter som mäter hur exakt modeller identifierar sårbara källkodsfiler.

Prestanda (File F1 på VLoc Bench)

Huvudresultatet: Antares-1B, med 1 miljard parametrar, överträffar GLM-5.2 (753 miljarder parametrar) och Gemini 3 Pro när det gäller att lokalisera sårbarheter . Antares-3B närmar sig GPT-5.5:s toppresultat – 0,223 mot 0,229 . Modellerna presterar bättre än många öppna och stängda modeller som är över 200 gånger större .

Hastighet: 500 databaser på cirka 15 minuter på ett enda GPU-kort

Antares-1B slutför hela VLoc Bench (500 uppgifter) på 13–15 minuter på en enda H100-GPU . 3B-varianten körs på ungefär 15 minuter på en H100 . Som jämförelse kräver GPT-5.5 massiva multi-GPU-molnkluster. Cisco rapporterar att en motsvarande utvärdering för GPT-5.5 tog ungefär fem timmar .

Kostnad: Under 1 dollar jämfört med tusentals dollar

En fullständig Antares-utvärdering av 500 kodbaser kostar mindre än 1 dollar – cirka 0,82 dollar för 1B-modellen . För GPT-5.5 via API beräknade Cisco att samma arbete skulle kosta tusentals dollar i tokenavgifter . En jämförelse visade att Antares var ungefär 172 gånger billigare än den ledande stängda modellen och 15,2 gånger billigare än den bästa öppna allmänna modellen .

Lokal hårdvara eliminerar risken för dataläckage

Eftersom Antares-modellerna är kompakta nog att köras på lokal eller lokal hårdvara kan säkerhetsteam granska proprietär källkod utan att skicka den till tredjepartsmolntjänster . Detta eliminerar både risken för dataläckage och kostnader för molnutgående trafik – en kritisk fördel för organisationer som hanterar känsliga kodbaser.

Sammanfattning

Antares är inte en ny toppmodern allmän modell. Dess genombrott är effektivitet för en smal säkerhetsuppgift: frontlinjenära noggrannhet vid sårbarhetslokalisering med mindre än 0,2 % av parameterantalet och mindre än 0,1 % av inferenskostnaden, allt som körs på lokal hårdvara . Patels bredare budskap är att i takt med att AI-agenter blir allt fler – han har förutspått att antalet agentbyggare kan växa från 150 miljoner till 3 miljarder inom ett år – måste säkerhetsbranschen tänka om både sina verktyg och sina grundläggande antaganden om vem och vad man ska lita på.