Antares: Foundation Models for Agentic Vulnerability Localization
Antaresは、教師あり微調整と強化学習の二段階のパイプラインを通じて学習された、3.5億〜30億パラメータのコンパクトでコスト効率の高い基盤モデルのファミリーであり、200倍以上大きいオープンウェイトモデルを大幅に凌駕しながら、GPT-5.5に匹敵するエージェンティックな脆弱性特定性能を実現しています。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、ある犯罪を解決しようとしている探偵だと想像してください。しかし、その犯罪現場は単一の部屋ではなく、何百万もの建物があり、それぞれの建物には数千もの部屋が存在する、広大で広大な都市です。手元にある手がかりは、「特定の種類の鍵が盗まれた」というような、漠然とした説明だけです。コンピュータソフトウェアの世界では、この「都市」は「コードベース」と呼ばれます（プログラムを構成するすべてのファイルの集合体です）。そして、この「鍵」とは、セキュリティ上の欠陥、すなわち「脆弱性」のことです。どのファイルにその欠陥があるかを正確に見つけ出すことは「脆弱性特定（vulnerability localization）」と呼ばれます。これは極めて重要な作業です。なぜなら、壊れた部分を見つけられなければ、直すこともできないからです。伝統的に、セキュリティの専門家は主に2つのツールを使用してきました。一つは、既知のパターンを探すものの新しい手口は見逃してしまう「硬直したルールブック（静的解析）」、もう一つは、非常に賢いものの、動作が遅く、コストがかかり、プライベートなコードをクラウドに送信しなければならないことが多い「巨大で超知能的なAIモデル」です。
ここで、この問題を、スマートで機敏なエージェントによる「かくれんぼ」のようなゲームとして捉える新しいアプローチが登場します。単に本を読んだり巨大な脳に尋ねたりするのではなく、この新しい手法は、コンピュータにデジタル都市の中を実際に「歩き」、ドアを開け、中を覗き込み、人間の探偵と同じように手がかりを追う方法を教えます。研究者が投げかけた大きな疑問は、「これを行うために巨大で高価な脳が必要なのか、それとも、適切なスキルに特化して訓練さえすれば、より小さく、速く、安価な『探偵』が同じくらい優れた成果を出せるのか？」ということでした。
この論文は、これらの機敏なデジタル探偵となるよう設計された、コンパクトで小型のAIモデルのファミリーである「Antares」を紹介しています。既存の「Granite」モデルをベースに構築されたAntaresには、3億、10億、30億のパラメータ（AIの脳における「ニューロン」や接続の数と考えてください）の3つのサイズがあります。研究者たちは、単にAIに大量のセキュリティの教科書を読み込ませたのではありません。彼らはAIに「行動」する方法を教えたのです。彼らは2段階のトレーニングプロセスを用いました。まず、**教師あり微調整（SFT）**を用いました。これは、AIにセキュリティの概念を集中講義し、フォルダを移動したりファイルを読んだりするためにコンピュータのターミナル（コマンドライン）を使用する方法を教えるようなものです。次に、**強化学習（RL）**を用いました。これは、AIがこのゲームを何千回もプレイする手法です。脆弱性のあるファイルを正常に発見するたびに、AIには「報酬」が与えられます。迷ったり、間違った推測をしたりするたびに、ペナルティが課されます。時間をかけて、AIは「探索、検証、洗練」という特定の戦略を学習していきます。
結果は、驚くほど直感に反するものでした。論文は、タスク固有のトレーニングが、生のモデルのサイズよりもはるかに重要であることを示唆しています。テストにおいて、最大のAntaresモデルであるAntares-3Bは、VLoc Benchと呼ばれる専門的なテストで0.223というスコアを記録しました。このスコアは、おそらくAntaresよりも何倍も大きく、実行コストもはるかに高いであろう巨大なクローズドソースモデルであるGPT-5.5とほぼ同等です。決定的なことに、Antares-3Bは、7000億以上のパラメータを持つGLM-5.2を含む、大幅に大きなオープンウェイトモデルを凌駕しました。一方で、より小さなAntaresモデル（350Mおよび1B）は、ベースとなるモデルと比較して目覚ましい改善を示し、いくつかの大型の汎用ベースラインを上回りましたが、GPT-5.5やGLM-5.2のようなトップティアのパフォーマーを超えることはできませんでした。ここでの重要な教訓は、特定のタスクのために訓練されたコンパクトなモデルは巨人に匹敵する可能性がある一方で、特定の訓練を受けていない巨大なモデルは、しばしても及ばない可能性があるということです。
また、研究者たちは、バグを見つける難しさは、バグがいかに「悪い」か（深刻度）ではなく、コードがいかに「乱雑か」にあることを発見しました。彼らは、ファイルが幾重にも重なる層の奥深くに埋もれているMaven（Javaツール）のような複雑なエコシステムではモデルが苦戦する一方で、pip（Python）やnpm（JavaScript）のようなより単純なエコシステムでは非常にうまく機能することを発見しました。さらに、脆弱性が多くのファイルにまたがって存在する場合や、コードベースが巨大（10MB以上）な場合、AIの成功率は急激に低下することも分かりました。これは、AIは検索には優れているものの、一度に膨大な量の証拠を把握し続けることには依然として苦労していることを示唆しています。
おそらく最も刺激的な発見は、速度とコストに関するものです。Antaresは小型であるため、オフィスのローカル環境にある単一の強力なコンピュータチップ（H100 GPU）上で実行できます。チームの計算によれば、500のタスクを含むテスト全体を実行するのに約15分しかかからず、電気代とハードウェアのレンタル費用は1ドル未満でした。対照的に、同じ作業を巨大なGPT-5.5で行う場合、約5時間かかり、費用は約141ドルに達します。これは、企業が自社の秘密のコードをインターネットにさらすことなく、自社のプライベートなサーバー上でこれらのセキュリティチェックを実行でき、かつ予算を使い果たすこともない可能性があることを意味します。
しかし、論文は、これがすべてを解決する魔法の杖ではないことにも注意を払っています。AIは、証拠が数十のファイルに分散しているような、最も困難で複雑なケースでは依然として失敗します。研究者たちは、限界はAIが打ち込めるコマンドの数ではなく、どの手がかりが本当に重要であるかを優先順位付けする能力にあると考えています。また、彼らは、Antaresはバグを見つけて「修正する」ための強力なツールであるが、あくまで防御的なセキュリティを目的としており、システムを攻撃するために使用されるべきではないことを強調しています。
要約すると、Antaresは、優れた探偵になるために巨大な脳は必要ではなく、適切なトレーニングが必要であることを示しています。検索、検証、そして推測を洗練させる方法を現実の環境で教えることで、研究者たちは、デジタルな干し草の山の中から針を見つけ出すための、速く、安く、プライベートで、驚くほど効果的なツールを作り出したのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。