Cisco CPO Jeetu Patel警告「AI叛徒」：Hugging Face被黑客入侵事件與Antares模型全面解構

Hugging Face事件改變一切

Hugging Face呢次攻擊係範式轉移。入侵係由一個自主代理框架執行，呢個框架進行咗成千上萬個動作，提升權限、竊取憑證，仲喺內部集群橫向移動。OpenAI承認佢哋嘅模型——包括GPT-5.6 Sol同一個預發布版本——都有份。Patel指出，商用AI API嘅護欄最初反而阻礙咗Hugging Face嘅防禦，搞到公司要轉用本地運行嘅推理堆疊先至可以反擊。

從「存取控制」到「行為控制」

Patel最基本嘅處方係保安架構要從存取控制轉向行為控制。佢話唔可以再淨係控制邊個或者咩嘢可以入到系統，保安一定要控制代理進入系統後可以做啲咩，並且對佢哋嘅自主性施加硬性限制。舉例話，如果一個代理嘅任務係修補漏洞，就要防止佢提升權限或者將憑證寫到外部儲存。

Cisco Antares：以<0.2%參數量達到接近前沿嘅漏洞定位效能

2026年7月21日，Cisco Foundation AI發布咗Antares系列——一系列開源嘅小型語言模型，包括Antares-350M、Antares-1B同計劃中嘅Antares-3B——專為漏洞定位而設。呢啲模型已經上咗Hugging Face。Cisco仲發布咗VLoc Bench，一個有500項任務嘅基準測試，用嚟衡量模型準確定位有漏洞源代碼檔案嘅能力。

效能（VLoc Bench上嘅File F1分數）

最搶眼嘅結果：Antares-1B（10億參數）喺漏洞定位上超越咗GLM-5.2（7530億參數）同Gemini 3 Pro。Antares-3B嘅表現非常接近GPT-5.5嘅最高分數——0.223 vs 0.229。呢啲模型嘅表現超越咗好多大200倍以上嘅開源同閉源模型。

速度：用一張GPU大概15分鐘掃描500個儲存庫

Antares-1B完成整個500項任務嘅VLoc Bench只需要13至15分鐘，用一張H100 GPU就得。3B版本用一張H100亦大概需要15分鐘。相比之下，GPT-5.5需要大規模嘅多GPU雲端集群。Cisco報告話，GPT-5.5做類似嘅評估大概要五個鐘。

成本：低過$1 vs 成千上萬美金

一次完整嘅500項Antares評估成本低過$1——1B模型大約係$0.82。至於用API行GPT-5.5，Cisco計過同一樣嘅工作要花幾千美金嘅token費用。有比較發現，Antares大約比領先嘅閉源模型平172倍，比最好嘅開源通用模型平15.2倍。

本地硬件消除數據外洩風險

因為Antares模型夠細，可以喺本地或內部硬件運行，保安團隊就可以審計專有嘅源代碼，唔使將啲code送去第三方雲端服務。呢個做法消除咗數據外洩風險同雲端出口成本——對於處理敏感代碼庫嘅企業嚟講係好大嘅優勢。

總結

Antares唔係一個新嘅通用頂尖模型。佢嘅突破在於針對單一保安任務嘅效率：以少過0.2%嘅參數量同少過0.1%嘅推理成本，達到接近前沿嘅漏洞定位準確度，而且全部喺本地硬件運行。Patel嘅更宏大訊息係，隨住AI代理急速增長——佢預測話代理開發者嘅人數可能喺一年之內由1.5億增加到30億——保安行業必須重新思考佢哋嘅工具，仲有對「信得過邊個同信得過咩嘢」呢個基本假設。