Cisco Foundation AI presentó Antares, una familia de modelos de lenguaje pequeños diseñados con un objetivo muy específico: señalar en qué parte de un repositorio de código vive una vulnerabilidad ya conocida. La propuesta llama la atención por su tamaño —350 millones y 1.000 millones de parámetros— frente a los sistemas gigantes con los que compite, según el anuncio oficial de Cisco Foundation AI.

La tarea que resuelven estos modelos se llama localización de vulnerabilidades. No se trata de descubrir un fallo nuevo, sino de identificar, dentro de una base de código real, el archivo o la sección donde reside una debilidad ya catalogada. Es un paso previo a la corrección: antes de arreglar algo, hay que saber dónde está.

Cifras que sorprenden por el contraste de tamaño

En el nuevo Vulnerability Localization Benchmark, la prueba creada por el propio equipo, Antares-1B alcanza un puntaje de 0,209 en la métrica File F1, que mide la precisión al ubicar el archivo correcto. Ese resultado queda por encima de GLM-5.2, un modelo de 753.000 millones de parámetros, y también de Gemini 3 Pro. Dicho de otro modo: un modelo cientos de veces más chico rinde mejor en esta tarea puntual.

El dato clave está en el entrenamiento posterior. Los modelos base de IBM Granite 4.0, usados como punto de partida y sin el ajuste especializado, obtienen puntajes cercanos a cero bajo el mismo protocolo. Es decir, casi toda la capacidad de Antares proviene del post-entrenamiento sobre la tarea específica, no del modelo original.

El argumento del costo

El otro golpe de efecto es económico. Una evaluación completa de 500 tareas corre en aproximadamente 13 minutos sobre una sola GPU H100 de Nvidia, por menos de un dólar. La misma barrida con GPT-5.5 costaría unos 141 dólares, según los datos difundidos por Cisco. Para equipos de seguridad que analizan grandes volúmenes de código de forma repetida, esa diferencia de costos por barrido cambia por completo la ecuación de qué se puede permitir revisar y con qué frecuencia.

Antares se apoya en catálogos estándar de la industria de la ciberseguridad, como las Common Weakness Enumerations (CWE) de MITRE y los avisos de GitHub Security Advisories, que documentan debilidades y vulnerabilidades conocidas en software de uso público.

Pesos abiertos y disponibilidad

Ambas versiones se publican como modelos de pesos abiertos, lo que permite descargarlos, ejecutarlos en infraestructura propia y auditarlos. Están disponibles en Hugging Face: Antares-350M y Antares-1B. Ejecutar el análisis de seguridad dentro de la propia infraestructura, sin enviar código a servidores de terceros, es una ventaja concreta para organizaciones que manejan software sensible.

El lanzamiento se inscribe en una tendencia más amplia hacia modelos pequeños y especializados que compiten con los grandes en tareas acotadas. La idea de que la IA aplicada al código necesita entender su estructura, y no solo buscar coincidencias de texto, ya venía discutiéndose; quienes quieran profundizar pueden revisar por qué la IA para programar necesita más que buscar palabras en el código.

Queda por verse cómo se comporta Antares fuera del banco de pruebas diseñado por Cisco, con repositorios y vulnerabilidades que no aparecieron en su entrenamiento. Un puntaje de 0,209 en File F1 muestra progreso, pero también recuerda que localizar fallas en código real sigue siendo un problema difícil, incluso para los sistemas más grandes.