Antares：面向智能体漏洞定位的基础模型

IBM 团队推出 Antares，一个用于自动化漏洞定位的紧凑语言模型系列（参数量为 350M、1B 和 3B），基于 IBM Granite 基础模型训练。训练采用两阶段流程，结合网络安全推理与仓库探索数据的监督微调，以及基于可验证奖励的强化学习。评估显示，Antares-3B 接近 GPT-5.5 性能，优于比其大 200 倍以上的开源模型。在单块 H100 GPU 上，完成 500 个任务的评估仅需约 15 分钟，摊薄后每个任务耗时不到 2 秒、成本低于 0.002 美元。

此前，高精度漏洞定位通常依赖大型模型或专有 API，成本高且部署受限。Antares 用紧凑模型达到接近 GPT-5.5 的效果，突破了传统上模型大小与性能的权衡，使得在本地低算力环境下快速、经济地进行漏洞扫描成为可能，可能改变安全工具链的部署方式。

Antares 的成功源于其两阶段训练方法：先通过监督微调学习网络安全推理和仓库探索技能，再利用可验证奖励（如是否正确找到漏洞）进行强化学习，使模型在迭代搜索中优化决策。紧凑的参数量（3B）加上针对性的训练，使模型在保持高效推理的同时，性能大幅超越同量级甚至更大模型，体现了领域专用强化学习的有效性。

对安全产品，Antares 可在本地 GPU 上实现秒级漏洞定位，显著降低扫描成本和时间，适合集成到 CI/CD 流程或 IDE 插件中。对依赖 API 的安全服务，可转为本地自托管，减少外部依赖和数据泄露风险。研发团队可基于 Antares 快速迭代漏洞检测工具，但需评估具体场景下的准确率和误报率。

• 在 IDE 插件中集成 Antares-3B，为开发者实时定位代码漏洞，并提示修复建议。
• 提供本地化漏洞扫描服务，面向企业对代码仓库进行低成本批量检测，按任务计费。
• 基于 Antares 构建自动化漏洞修复助手，结合上下文生成补丁。
• 将 Antares 嵌入 CI/CD 流水线，在每次提交后自动执行全仓库漏洞定位，并输出报告。

• Antares 的评估任务具体涵盖哪些漏洞类型和编程语言？实际泛化能力未知。
• 与 GPT-5.5 的对比是在什么基准和测试条件下进行？是否经独立第三方复现？
• Antares 在真实复杂代码库中的漏洞定位准确率和误报率如何？证据未提供。
• 该模型是否计划开源或作为产品发布？目前无相关信息。