Antares: Foundation Models for Agentic Vulnerability Localization
Antares 是一个由紧凑、高性价比的基础模型（350M–3B 参数）组成的家族，通过监督微调和强化学习的两阶段流水线进行训练，其在智能体漏洞定位方面的性能可与 GPT-5.5 相媲美，同时显著超越了规模比其大 200 多倍的开源权重模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名试图破解犯罪案的侦探，但你的犯罪现场不是一个单一的房间，而是一个庞大且蔓延的城市；这座城市拥有数百万栋建筑，每栋建筑又包含数千个房间。你手中的唯一线索只是一个模糊的描述，比如“有人偷走了一种特定类型的锁”。在计算机软件的世界里，这座城市就是“代码库”——构成一个程序的整个文件集合。这个“锁”就是安全漏洞，即所谓的“漏洞”。准确找到哪个文件持有该漏洞的过程被称为“漏洞定位”。这是一项至关重要的工作，因为如果你找不到损坏的部分，你就无法修复它。传统上，安全专家使用两种主要工具：死板的规则手册（静态分析），它们寻找已知的模式但会错过新花招；或者规模宏大、超级智能的模型，它们极其聪明但速度慢、成本高，且通常需要将私密代码发送到云端，而公司对此深恶痛绝。
于是，出现了一种新的方法，它将这个问题视为一场由一名聪明、敏捷的代理人进行的“捉迷藏”游戏。这种方法不再仅仅是阅读书籍或询问一个巨大的大脑，而是教会计算机如何真正地在数字城市中“行走”，打开门，窥视内部，并像人类侦探一样追踪线索。研究人员提出的核心问题是：要做到这一点，你是否需要一个巨大且昂贵的大脑，还是说，如果针对正确的技能进行专门训练，一个更小、更快、更便宜的“侦探”也能做得同样出色？
这篇论文介绍了 Antares，这是一个小型、紧凑的 AI 模型家族，旨在成为这些敏捷的数字侦探。Antares 基于现有的“Granite”模型构建，分为三种尺寸：3.5 亿、10 亿和 30 亿个参数（可以将其理解为 AI 大脑中的“神经元”或连接的数量）。研究人员不仅向这些模型灌输了大量的安全教科书，还教会了它们如何“行动”。他们采用了两步训练法。首先，他们使用了监督微调（SFT），这就像是给 AI 进行一场安全概念速成班，并教它如何使用计算机终端（命令行）来导航文件夹和读取文件。然后，他们使用了强化学习（RL），这是一种让 AI 进行数千次“游戏”的方法。每当它成功找到一个存在漏洞的文件时，它就会获得“奖励”；每当它迷路或猜错时，它就会受到“惩罚”。随着时间的推移，AI 学会了一种特定的策略：搜索、验证并优化。
结果是出人意料的反直觉。论文指出，任务特定的训练比原始规模更重要。在测试中，最大的 Antares 模型 Antares-3B 在一个名为漏洞定位基准测试（VLoc Bench）的专门测试中取得了 0.223 的得分。这个分数与 GPT-5.5（一个规模庞大、闭源的模型，其体积可能大出许多倍，运行成本也高得多）几乎相同。至关重要的是，Antares-3B 显著超越了规模大得多的开源权重模型，包括拥有超过 7000 亿参数的 GLM-5.2。虽然较小的 Antares 模型（3.5 亿和 10 亿参数）相比其基础版本表现出了令人印象深刻的进步，并且超越了一些较大的通用基准模型，但它们并未能超越像 GPT-5.5 或 GLM-5.2 这样的顶级选手。相反，核心结论是：一个针对特定任务进行训练的紧凑型模型可以与巨头竞争，而缺乏这种特定训练的巨型模型往往表现不佳。
研究人员还发现，寻找漏洞的难度不在于漏洞的“严重程度”（severity），而在于代码的“混乱程度”。他们发现，在像 Maven（一种 Java 工具）这样复杂的生态系统中，由于文件被埋藏在深层的层级之下，模型表现最为吃力；但在像 pip（Python）或 npm（JavaScript）这样简单的生态系统中，表现则好得多。此外，他们发现当漏洞分布在许多文件中或者代码库非常庞大（超过 10 MB）时，AI 的成功率会大幅下降。这表明，尽管 AI 擅长搜索，但在同时处理大量证据时仍然感到吃力。
或许最令人兴奋的发现是关于速度和成本。由于 Antares 体积较小，它可以运行在办公室单台强大的计算机芯片（H100 GPU）上。团队计算出，运行整个 500 项任务的测试大约需要 15 分钟，且消耗的电力和硬件租赁成本不到 1 美元。相比之下，使用庞大的 GPT-5.5 完成同样的工作大约需要 5 小时，且成本约为 141 美元。这意味着公司可以在自己的私有服务器上运行这些安全检查，从而保护其秘密代码不被泄露到互联网，且不会造成沉重的经济负担。
然而，论文也谨慎地指出，这并不是解决一切问题的“魔杖”。对于那些证据散落在数十个文件中的最难、最复杂的案例，AI 仍然会失败。研究人员认为，限制因素不在于 AI 能输入多少条命令，而在于它能否优先处理哪些线索才是真正重要的。他们还强调，虽然 Antares 是一个用于寻找漏洞以进行“修复”的强大工具，但它严格用于防御性安全，绝不应被用于攻击系统。
简而言之，Antares 表明，你不需要一个巨大的大脑来成为一名优秀的侦探；你只需要正确的训练。通过教会一个小型的 AI 如何在真实环境中进行搜索、验证和优化其猜测，研究人员创造了一个快速、廉价、私密且在寻找数字大海中的“针”方面异常有效的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。