Antares: Foundation Models for Agentic Vulnerability Localization
Antares ist eine Familie kompakter, kosteneffizienter Foundation-Modelle (350 Mio. – 3 Mrd. Parameter), die über eine zweistufige Pipeline aus Supervised Fine-Tuning und Reinforcement Learning trainiert wurden und eine bei der agentischen Lokalisierung von Schwachstellen vergleichbare Leistung wie GPT-5.5 erzielen, während sie Open-Weight-Modelle, die mehr als 200 Mal größer sind, signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Verbrechen aufzuklären, aber der Tatort ist kein einzelner Raum, sondern eine riesige, weitläufige Stadt mit Millionen von Gebäuden, von denen jedes Tausende von Zimmern enthält. Der einzige Hinweis, den Sie haben, ist eine vage Beschreibung des Verbrechens, wie etwa: „Jemand hat eine bestimmte Art von Schloss gestohlen.“ In der Welt der Software ist diese Stadt eine „Codebasis“ – die gesamte Sammlung von Dateien, die ein Programm ausmachen. Das „Schloss“ ist eine Sicherheitslücke, bekannt als Schwachstelle. Genau zu finden, welche Datei diese Schwachstelle enthält, nennt man „Vulnerability Localization“ (Schwachstellenlokalisierung). Dies ist eine kritische Aufgabe, denn wenn man den defekten Teil nicht findet, kann man ihn auch nicht reparieren. Traditionell haben Sicherheitsexperten zwei Hauptwerkzeuge verwendet: starre Regelbücher (statische Analyse), die nach bekannten Mustern suchen, aber neue Tricks übersehen, oder gigantische, superintelligente KI-Modelle, die unglaublich klug, aber langsam, teuer und oft mit der Notwendigkeit verbunden sind, private Codes in die Cloud zu senden, was Unternehmen hassen.
Hier kommt ein neuer Ansatz ins Spiel, der dieses Problem wie ein Spiel „Verstecken“ behandelt, bei dem ein intelligenter, flinker Agent spielt. Anstatt nur ein Buch zu lesen oder einen riesigen Verstand zu fragen, lehrt dieser neue Ansatz einen Computer, tatsächlich durch die digitale Stadt zu laufen, Türen zu öffnen, hineinzuspähen und Hinweisen zu folgen, genau wie ein menschlicher Detektiv. Die große Frage, die die Forscher stellten, war: Braucht man ein riesiges, teures Gehirn, um dies zu tun, oder kann ein kleinerer, schnellerer und günstigerer „Detektiv“ genauso gut werden, wenn er speziell auf die richtigen Fähigkeiten trainiert wird?
Das Paper stellt Antares vor, eine Familie von kleinen, kompakten KI-Modellen, die als diese flinken digitalen Detektive konzipiert sind. Basierend auf bestehenden „Granite“-Modellen kommt Antares in drei Größen: 350 Millionen, 1 Milliarde und 3 Milliarden Parametern (denken Sie an die Anzahl der „Neuronen“ oder Verbindungen in einem KI-Gehirn). Die Forscher haben diese Modelle nicht einfach nur mit einer Menge Sicherheitstextbücher gefüttert; sie haben ihnen beigebracht, wie man handelt. Sie verwendeten einen zweistufigen Trainingsprozess. Zuerst nutzten sie Supervised Fine-Tuning (SFT), was so ähnlich ist wie ein Crashkurs für die KI in Sicherheitskonzepten und das Erlernen der Bedienung eines Computer-Terminals (der Befehlszeile), um Ordner zu navigieren und Dateien zu lesen. Dann verwendeten sie Reinforcement Learning (RL), eine Methode, bei der die KI das Spiel tausende Male spielt. Jedes Mal, wenn sie erfolgreich eine verwundbare Datei findet, erhält sie eine „Belohnung“. Jedes Mal, wenn sie sich verirrt oder falsch rät, erhält sie eine Strafe. Mit der Zeit lernt die KI eine spezifische Strategie: Suchen, Verifizieren und Verfeinern.
Die Ergebnisse sind überraschend kontraintuitiv. Das Paper legt nahe, dass task-spezifisches Training viel wichtiger ist als die reine Größe. In ihren Tests erreichte das größte Antares-Modell, Antares-3B, einen Wert von 0,223 auf einem spezialisierten Test namens Vulnerability Localization Benchmark (VLoc Bench). Dieser Wert ist nahezu identisch mit GPT-5.5, einem massiven, geschlossenen Modell, das wahrscheinlich um ein Vielfaches größer und teurer im Betrieb ist. Entscheidend ist, dass Antares-3B wesentlich größere Open-Weight-Modelle übertroffen hat, einschließlich GLM-5.2 (das über 700 Milliarden Parameter besitzt). Während die kleineren Antares-Modelle (350M und 1B) beeindruckende Verbesserungen gegenüber ihren Basisversionen zeigten und einige größere Allzweck-Baselines übertrafen, konnten sie die Top-Performer wie GPT-5.5 oder GLM-5.2 nicht übertreffen. Der entscheidende Punkt ist jedoch, dass ein kompaktes Modell, das speziell für diese Aufgabe trainiert wurde, mit Giganten konkurrieren kann, während ein riesiges Modell ohne dieses spezifische Training oft hinterherhinkt.
Die Forscher entdeckten auch, dass die Schwierigkeit, einen Bug zu finden, nicht davon abhängt, wie „schlimm“ der Bug ist (seine Schwere/Severity), sondern wie unordentlich der Code ist. Sie fanden heraus, dass Modelle in komplexen Ökosystemen wie Maven (ein Java-Tool) am meisten Schwierigkeiten hatten, wo Dateien tief in Schichten vergraben sind, aber in einfacheren Ökosystemen wie pip (Python) oder npm (JavaScript) deutlich besser abschnitten. Darüber hinaus stellten sie fest, dass der Erfolg der KI drastisch sinkt, wenn eine Schwachstelle über viele Dateien verteilt ist oder wenn die Codebasis riesig ist (über 10 MB). Dies deutet darauf hin, dass die KI zwar gut im Suchen ist, aber immer noch Schwierigkeiten hat, eine massive Menge an Beweisen gleichzeitig im Blick zu behalten.
Vielleicht ist der spannendste Aspekt die Geschwindigkeit und die Kosten. Da Antares klein ist, kann es auf einem einzigen leistungsstarken Computerchip (einer H100 GPU) in einem lokalen Büro laufen. Das Team berechnete, dass das Ausführen des gesamten 500-Aufgaben-Tests etwa 15 Minuten dauerte und weniger als 1 $ an Strom und Hardware-Miete kostete. Im Gegensatz dazu würde die Nutzung des riesigen GPT-5.5 für dieselbe Aufgabe etwa 5 Stunden dauern und etwa 141 $ kosten. Das bedeutet, dass Unternehmen diese Sicherheitsprüfungen potenziell auf ihren eigenen privaten Servern durchführen könnten, um ihren geheimen Code sicher vor dem Internet zu halten, ohne das Budget zu sprengen.
Das Paper weist jedoch vorsorglich darauf hin, dass dies kein Zauberstab ist, der alles löst. Die KI scheitert immer noch an den härtesten, komplexesten Fällen, in denen die Beweise über Dutzende von Dateien verstreut sind. Die Forscher vermuten, dass die Grenze nicht darin liegt, wie viele Befehle die KI eintippen kann, sondern in ihrer Fähigkeit, zu priorisieren, welche Hinweise tatsächlich relevant sind. Sie betonen auch, dass Antares ein mächtiges Werkzeug ist, um Bugs zu finden, damit man sie beheben kann, und strikt für die defensive Sicherheit gedacht ist und niemals dazu verwendet werden sollte, Systeme anzugreifen.
Kurz gesagt: Antares zeigt, dass man kein riesiges Gehirn braucht, um ein guter Detektiv zu sein; man braucht nur das richtige Training. Indem die Forscher einer kleinen KI beigebracht haben, in einer realen Umgebung zu suchen, zu verifizieren und ihre Vermutungen zu verfeinern, haben sie ein Werkzeug geschaffen, das schnell, günstig, privat und überraschend effektiv darin ist, die Nadeln im digitalen Heuhaufen zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.