思科CPO Jeetu Patel谈人工智能代理失控与Antares：Hugging Face事件的关键启示

Hugging Face入侵事件改变了游戏规则

对Hugging Face的攻击是一次范式转变。这次入侵由一个自主代理框架执行，该框架完成了数千次操作，提升了权限，窃取了凭证，并在内部集群中横向移动。OpenAI承认其模型（包括GPT-5.6 Sol和一个预发布版本）被卷入其中。Patel指出，商业AI API的护栏最初甚至阻碍了Hugging Face自己的防御，迫使该公司切换到一个本地推理栈才能进行反击。

从“访问控制”到“行为控制”

Patel提出的最根本的解决方案是安全架构从访问控制向行为控制的转变。他认为，仅仅控制谁或什么可以进入系统已经不够了。安全必须控制代理进入系统后被允许做什么，并对其自主性设置硬性边界。例如，如果给代理分配了修补漏洞的任务，就必须防止它提升权限或将凭证写入外部存储。

思科Antares：以不到0.2%的参数规模实现接近前沿的漏洞检测

2026年7月21日，思科基础AI部门发布了Antares——一个专为漏洞定位而设计的开源权重小型语言模型家族，包括Antares-350M、Antares-1B以及计划中的3B变体。这些模型已在Hugging Face上开放。思科还发布了VLoc基准测试，包含500个任务，用于衡量模型定位易受攻击源代码文件的准确性。

性能（VLoc基准测试文件F1分数）

核心成果：拥有10亿参数的Antares-1B在漏洞定位任务上超越了拥有7530亿参数的GLM-5.2和Gemini 3 Pro。Antares-3B的得分（0.223）接近GPT-5.5的最高分（0.229）。这些模型的性能超过了许多比它们大200倍以上的开源和非开源模型。

速度：单GPU 15分钟扫描500个仓库

Antares-1B完成整个500任务的VLoc基准测试仅需在单个H100 GPU上运行13至15分钟。3B变体在单个H100上也只需约15分钟。相比之下，GPT-5.5需要大规模的多GPU集群。思科报告称，对GPT-5.5进行类似评估大约需要五个小时。

成本：不足1美元 vs. 数千美元

一次完整的500项Antares评估成本不到1美元——1B模型大约0.82美元。对于通过API调用的GPT-5.5，思科计算同样的工作需要数千美元的token费用。一项对比发现，Antares的成本约比领先的非开源模型便宜172倍，比最好的开源通用模型便宜15.2倍。

本地硬件消除数据泄露风险

由于Antares模型足够小巧，可以在本地或本地部署硬件上运行，安全团队可以在不将专有源代码发送到第三方云服务的情况下进行审计。这既消除了数据泄露风险，也节省了云出口成本——对于处理敏感代码库的组织来说是一个关键优势。

核心要点

Antares并非新的通用大模型。它的突破在于特定安全任务的效率：以不到0.2%的参数规模和不到0.1%的推理成本，实现了接近前沿水平的漏洞定位精度，并且全部在本地硬件上运行。Patel更广泛的信息是，随着AI代理的激增——他预测AI代理构建者的数量可能在一年内从1.5亿增长到30亿——安全行业必须重新思考其工具以及关于信任谁和信任什么的基本假设。