سایسکو با عرضه دو مدل کوچک و متنباز هوش مصنوعی مختص امنیت سایبری، رقابت سختی را علیه غولهای مدلهای زبانی آغاز کرده است. مدلهای Antares-350M و Antares-1B برای شناسایی دقیق آسیبپذیریهای موجود در کدهای نرمافزاری طراحی شدهاند و وعده بازدهی بینظیری به ازای هر دلار هزینهشده میدهند.
رقابت هزینه و سرعت با GPT-5.5
توسعهدهنده آمَن پریانشو (Aman Priyanshu) در شبکه اجتماعی ایکس ادعا میکند کوچکترین مدل سایسکو، به ازای هر دلار، حدود 150 برابر بیشتر از عوامل هوش مصنوعی بزرگی مانند Devin Security Swarm متعلق به شرکت Cognition آسیبپذیری شناسایی میکند.
بر اساس گزارش Axios از آزمایشهای داخلی سایسکو، مدل Antares توانست 500 مخزن کد را در حدود 15 دقیقه و با هزینهای کمتر از 1 دلار اسکن کند. در مقابل، مدل GPT-5.5 برای انجام همان وظیفه به 5 ساعت زمان و بیش از 100 دلار هزینه نیاز داشت. این تفاوت فاحش در کارایی، نگاهها را به سمت مدلهای تخصصی کوچک معطوف کرده است.
اجرای محلی و حفظ حریم خصوصی کدها
یکی از مهمترین مزایای مدلهای Antares، قابلیت اجرای کاملا محلی آنهاست. این ویژگی تضمین میکند که کدهای حساس و اختصاصی شرکتها هرگز از زیرساختهای داخلی آنها خارج نمیشوند؛ موضوعی که در رعایت استانداردهای امنیت دیجیتال و حریم خصوصی حیاتی است.
آموزش تخصصی روی دادههای امنیتی
گزارش فنی سایسکو نشان میدهد این مدلها روی مجموعه دادهای کاملا هدفمند آموزش دیدهاند. حدود 72 درصد از دادههای آموزشی شامل مفاهیم امنیتی بوده و 15 درصد دیگر به تاریخچه جستجوی کدها اختصاص داشته است. این رویکرد تخصصی، دلیل اصلی عملکرد بالای مدلهای کوچک در وظایف مرتبط با دیباگ و کشف باگ است.
نسخه 3 میلیارد پارامتری و آینده اکوسیستم
سایسکو نسخه بزرگتری با 3 میلیارد پارامتر را برای ادغام در محصولات تجاری خود نگه داشته است. گزارشها حاکی از آن است که این نسخه عملکردی بسیار نزدیک به GPT-5.5 دارد و حتی مدلهای متنبازی که تا 200 برابر بزرگتر از آن هستند را شکست میدهد.
در کنار توسعه محصولات داخلی، سایسکو در حال بررسی راهاندازی یک کنسرسیوم صنعتی برای توسعه ابزارهای امنیتی هوش مصنوعی متنباز است. این حرکت میتواند نقطه عطفی در دموکراتیزه کردن ابزارهای امنیتی پیشرفته باشد و نشان میدهد آینده امنیت سایبری لزوماً در انحصار مدلهای غولپیکر و پرهزینه نیست، بلکه در مدلهای چابک، تخصصی و مقرونبهصرفه نهفته است.
