Antares: Foundation Models for Agentic Vulnerability Localization
Antares는 지도 미세 조정(supervised fine-tuning)과 강화 학습(reinforcement learning)의 2단계 파이프라인을 통해 학습되어, 200배 더 큰 오픈 웨이트 모델들을 크게 압도하는 동시에 GPT-5.5에 필적하는 에이전트 기반 취약점 국소화 성능을 달성한 소형 및 비용 효율적인 파운데이션 모델(350M–3B 파라미터) 제품군입니다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
당신이 범죄를 해결하려는 탐정이라고 상상해 보십시오. 하지만 범죄 현장은 단 하나의 방이 아니라, 수백만 개의 건물과 각 건물마다 수천 개의 방이 들어 있는 거대하고 광활한 도시입니다. 당신이 가진 유일한 단서는 "누군가 특정 종류의 자물쇠를 훔쳤다"와 같은 모호한 설명뿐입니다. 소프트웨어 세계에서 이 도시는 프로그램이 구성되는 전체 파일 모음인 '코드베이스(codebase)'입니다. 이 '자물쇠'는 보안 결함, 즉 취약점(vulnerability)을 의미합니다. 정확히 어떤 파일에 이 결함이 있는지 찾아내는 것을 '취약점 국지화(vulnerability localization)'라고 부릅니다. 이는 매우 중요한 작업인데, 왜냐하면 고장 난 부분을 찾지 못하면 고칠 수도 없기 때문입니다. 전통적으로 보안 전문가들은 두 가지 주요 도구를 사용해 왔습니다. 하나는 알려진 패턴을 찾지만 새로운 기술은 놓치는 경직된 규칙서(정적 분석)이고, 다른 하나는 매우 똑똑하지만 느리고 비용이 많이 들며, 기업들이 꺼려하는 개인적인 코드를 클라우드로 전송해야 할 수도 있는 거대하고 초지능적인 AI 모델입니다.
여기서 이 문제를 영리하고 민첩한 요원이 벌이는 '숨바꼭질' 게임처럼 다루는 새로운 접근 방식이 등장합니다. 단순히 책을 읽거나 거대한 뇌에 물어보는 대신, 이 새로운 방식은 컴퓨터가 디지털 도시를 실제로 '걸어 다니며', 문을 열고, 안을 들여다보고, 인간 탐정처럼 단서를 따라가는 법을 가르칩니다. 연구자들이 던진 핵심 질문은 이것이었습니다. 이 일을 하기 위해 거대하고 비싼 뇌가 필요한가, 아니면 적절한 기술에 특화되어 훈련된다면 더 작고 빠르며 저렴한 '탐정'이 충분히 잘 해낼 수 있는가?
이 논문은 이러한 민첩한 디지털 탐정이 되도록 설계된 작고 컴팩트한 AI 모델 제품군인 Antares를 소개합니다. 기존의 'Granite' 모델을 기반으로 구축된 Antares는 3억 5천만, 10억, 30억 개의 파라미터(AI의 뇌라고 생각할 수 있는 뉴런 또는 연결의 수)라는 세 가지 크기로 제공됩니다. 연구자들은 단순히 이 모델들에게 보안 교과서를 잔뜩 먹인 것이 아니라, 그들이 어떻게 '행동'해야 하는지를 가르쳤습니다. 그들은 두 단계의 훈련 과정을 사용했습니다. 먼저, **지도 미세 조정(Supervised Fine-Tuning, SFT)**을 통해 AI에게 보안 개념에 대한 속성 과외를 실시하고, 폴더를 탐색하고 파일을 읽기 위해 컴퓨터 터미널(명령줄)을 사용하는 법을 가르쳤습니다. 그다음에는 AI가 게임을 수천 번 반복해서 플레이하는 방식인 **강화 학습(Reinforcement Learning, RL)**을 사용했습니다. AI가 취약한 파일을 성공적으로 찾아낼 때마다 '보상'을 주었고, 길을 잃거나 잘못 추측할 때마다 '벌점'을 주었습니다. 시간이 흐르면서 AI는 '검색, 검증, 개선'이라는 구체적인 전략을 학습하게 됩니다.
결과는 매우 직관에 반합니다. 논문은 작업 특화 훈련이 원시적인 크기보다 훨씬 더 중요하다는 점을 시사합니다. 테스트 결과, 가장 큰 Antares 모델인 Antares-3B는 취약점 국지화 벤치마크(VLoc Bench)라는 특화된 테스트에서 0.223의 점수를 기록했습니다. 이 점수는 훨씬 더 크고 실행 비용이 훨씬 더 높을 것으로 예상되는 거대 폐쇄형 모델인 GPT-5.5와 거의 동일합니다. 결정적으로, Antares-3B는 7,000억 개 이상의 파라미터를 가진 GLM-5.2를 포함하여 훨씬 더 큰 오픈 웨이트(open-weight) 모델들을 압도했습니다. 비록 더 작은 Antares 모델들(350M 및 1B)이 기본 버전보다는 인상적인 개선을 보여주었고 일부 더 큰 범용 베이스라인들을 능가했지만, GPT-5.5나 GLM-5.2와 같은 최상위 성능 모델을 넘어서지는 못했습니다. 대신, 핵심적인 교훈은 이 작업을 위해 특별히 훈련된 컴팩트한 모델이 거인들과 경쟁할 수 있는 반면, 이러한 특정 훈련을 받지 못한 거대 모델은 종종 뒤처진다는 것입니다.
연구자들은 또한 버그를 찾는 난이도가 버그가 얼마나 '나쁜지'(심각도)가 아니라, 코드가 얼마나 '지저잡한지'에 달려 있다는 것을 발견했습니다. 그들은 파일들이 여러 층에 깊숙이 묻혀 있는 Maven(Java 도구)과 같은 복잡한 생태계에서 모델들이 가장 어려움을 겪는 반면, pip(Python)나 npm(JavaScript)과 같은 더 단순한 생태계에서는 훨씬 더 잘 수행한다는 것을 발견했습니다. 또한, 취약점이 여러 파일에 걸쳐 퍼져 있거나 코드베이스가 거대할 경우(10MB 초과) AI의 성공률이 급격히 떨어진다는 점도 발견했습니다. 이는 AI가 검색에는 뛰어나지만, 방대한 양의 증거를 한꺼번에 추적하고 관리하는 데는 여전히 어려움을 겪고 있음을 시사합니다.
아마도 가장 흥미로운 발견은 속도와 비용에 관한 것일 것입니다. Antares는 작기 때문에 사무실 내의 단일 강력한 컴퓨터 칩(H100 GPU)에서 실행될 수 있습니다. 연구팀은 500개의 태스크로 구성된 전체 테스트를 실행하는 데 약 15분이 걸렸으며, 전기 및 하드웨어 대여 비용은 1달러 미만이라고 계산했습니다. 반면, 동일한 작업을 위해 거대한 GPT-5.5를 사용하는 데는 약 5시간이 소요되며 비용은 약 141달러가 듭니다. 이는 기업들이 인터넷으로부터 자신들의 비밀 코드를 안전하게 보호하면서도, 큰 비용을 들이지 않고 자체 프라이빗 서버에서 이러한 보안 점검을 수행할 수 있음을 의미합니다.
하지만 논문은 이것이 모든 것을 해결하는 마법 지팡이는 아니라는 점을 주의 깊게 명시하고 있습니다. 이 AI는 증거가 수십 개의 파일에 흩어져 있는 가장 어렵고 복잡한 사례에서는 여전히 실패합니다. 연구자들은 그 한계가 AI가 입력할 수 있는 명령어의 수가 아니라, 어떤 단서가 실제로 중요한지를 우선순위화하는 능력에 있다고 제안합니다. 또한, Antares는 버그를 찾아 '수정'하기 위한 강력한 도구이지만, 엄격하게 방어적 보안을 목적으로 하며 시스템을 공격하는 데 사용되어서는 안 된다는 점을 강조합니다.
요컨대, Antares는 좋은 탐정이 되기 위해 반드시 거대한 뇌가 필요한 것은 아니며, 단지 올바른 훈련이 필요하다는 것을 보여줍니다. 작은 AI에게 실제 환경에서 검색하고, 검증하고, 추측을 개선하는 법을 가르침으로써, 연구자들은 빠르고, 저렴하며, 프라이빗하고, 놀라울 정도로 효과적인 '디지털 건초더미 속 바늘 찾기' 도구를 만들어냈습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.