摘要
漏洞定位是软件安全的关键步骤,要求模型对大型代码库进行推理并迭代识别脆弱实现。本文提出Antares,一组基于IBM Granite基础模型的紧凑型语言模型(350M、1B和3B参数),专为代理式漏洞定位设计。Antares采用两阶段训练流程:首先在网络安全推理和仓库探索数据上进行监督微调,随后在脆弱仓库上利用可验证奖励进行强化学习。评估显示,Antares-3B性能接近GPT-5.5,且远超大200倍的开源模型。该系列模型支持低成本本地推理,单张H100 GPU可在约15分钟内完成500项任务评估,单次任务成本低于0.002美元。
AI 推荐理由
论文核心在于通过监督微调和强化学习提升模型在代码库中的推理与探索能力,以定位漏洞。
研究机构
Foundation AI by Cisco
清华大学
论文信息