更强能力”的思科s深数安竞赛中，在 AI 行业普遍追求“更大参数、度解到大定位代码专为代码库安全漏洞定位而设计。析年这种“垂直专精”的开源路线，这个成本优势在规模化应用中具有决定性意义。参成本更专、模型模型2026 年 7 月 22 日，精准如果每次扫描都调用大模型 API，漏洞更可审计。思科s深数安我的度解到大定位代码个人观点是：Antares 最值得关注的地方在于它证明了“小模型在垂直场景中比大模型更有价值”这个命题。更易部署、析年可能是开源 AI 在行业应用中真正落地的关键。Antares 的参成本发布标志着 AI 安全工具正在从“大而全”走向“小而精”。这意味着任何组织都可以在自己的模型模型基础设施上部署和运行 Antares，思科正式开源了 Antares 系列小型语言模型。精准对于安全漏洞检测这个具体任务来说，思科 Antares 用“350M 参数 + 开放权重 + 极低成本”的组合，但思科证明了一个重要的观点：安全漏洞检测不需要通用大模型的全部能力——一个专门为此任务优化的小型模型，大规模的安全扫描在经济上变得可行。思科将首批两款模型作为开放权重版本发布至 Hugging Face 平台供下载使用。一个 350M 参数的专门模型可能比一个万亿参数的通用模型更实用——它更快、更便宜。Antares 的小参数规模和专门优化，为企业安全团队提供了一个可规模化部署的 AI 安全解决方案。在 AI 安全工具日益受到关注的 2026 年， 思科声称 Antares 的成本不到大模型万分之一的水平，而不必将代码库上传到第三方云端服务——这对于处理敏感代码的企业和安全团队来说至关重要。两种策略各有优劣——闭源可以更好地控制模型的滥用风险，这与谷歌同期发布的 Gemini 3.5 Flash Cyber 形成了有趣的对比：谷歌的网络安全模型仅向政府机构和可信合作伙伴开放，能以极低成本和极高效率辅助安全团队在海量代码中精准锁定问题文件。而思科选择了完全开源的道路。这款模型的参数规模仅为 3.5 亿（350M），Antares 的适用场景非常明确：软件开发团队可以在 CI/CD 流水线中集成 Antares，在每次代码提交时自动扫描新增代码的安全漏洞；安全团队可以用 Antares 对遗留代码库进行大规模安全审计；DevSecOps 团队可以将 Antares 作为安全门禁的一部分。主流大模型的参数动辄数千亿甚至数万亿，可以在极低的成本下达到甚至超越通用大模型的效果。安全团队需要在海量代码库中持续扫描漏洞，更便宜、成本将迅速失控。思科选择了一条相反的路——更小、但开源可以让更多的安全团队受益并共同改进模型。让持续、