작은 모델이 큰 모델을 이긴 이유: Cisco Foundation AI Antares가 제시하는 취약점 탐지의 새로운 기준
보안 엔지니어가 CVE 어드바이저리를 받았을 때 가장 먼저 하는 일은 “이 취약점이 우리 코드베이스 어디에 있지?”를 찾는 것이다. 수천 개 파일을 뒤지고, 호출 경로를 추적하고, 낯선 네이밍 컨벤션을 해독하는 이 작업은 놀랍도록 시간을 잡아먹는다. Cisco Foundation AI Antares는 바로 그 지점을 겨냥한 오픈 웨이트 모델 제품군이다. 350M과 1B 파라미터짜리 작은 모델로, 취약점이 있을 법한 파일을 먼저 좁혀주는 데 특화됐다.
Antares란 무엇인가: 로컬 터미널로 탐색하는 경량 에이전트
Cisco Foundation AI Antares의 가장 큰 특징은 코드를 클라우드로 전송하지 않는다는 점이다. 대신 레포지토리 스냅샷을 읽기 전용 샌드박스에 마운트하고, grep, find, cat 같은 표준 유닉스 명령어만으로 직접 코드베이스를 탐색한다. 벡터 데이터베이스나 외부 검색 시스템은 쓰지 않는다1. 기술적으로 Antares는 IBM Granite 4.0을 백본으로 한 오토 회귀 디코더 전용 트랜스포머이며, 구체적인 아키텍처는 두 모델 모두 SwiGLU 활성화 함수, RMSNorm, RoPE 위치 인코딩을 채택한다.
Antares-1B: 40개 레이어, 은닉 차원 2048, 16개 어텐션 헤드, 그룹 쿼리 어텐션을 위한 4개 KV 헤드, 128K 컨텍스트 윈도우를 갖춘 가장 강력한 변형이다1.
Antares-350M: 28개 레이어, 은닉 차원 1024, 16개 어텐션 헤드와 4개 KV 헤드, 32K 컨텍스트 윈도우로 구성된다2. 더 큰 Antares 변형을 위한 추론 가속용 투기적 초안 모델로도 활용할 수 있다2.
탐색 방식은 사람 분석가의 워크플로우와 유사하다. CWE 설명 하나만 받고 출발해 패턴을 검색하고, 후보 파일을 읽고, 단서가 없으면 경로를 바꾼다. 최대 15회의 터미널 명령을 실행할 수 있으며, 종료 시점에는 submit_vulnerable_files로 의심 파일 목록을 제출하거나 submit_no_vulnerability_found로 클린을 선언해야 한다3. 최종 출력은 순위가 매겨진 파일 목록과 그 결론에 도달한 전체 탐색 트레이스다. 이렇게 투명한 과정을 통해 분석가는 왜 그 파일이 의심스러운지 맥락을 함께 확보할 수 있다.
그래서 무엇이 달라졌는가: 크기가 아니라 특화가 승부를 가른다
벤치마크로 증명한 성능
Cisco는 Vulnerability Localization Benchmark라는 새로운 평가 체계를 도입했다. 290개 실제 레포지토리에서 추출한 500개 작업으로 구성되며, 147개 CWE 카테고리를 포괄한다4. 모델은 실제 보안 패치 직전의 스냅샷을 받고, 취약한 파일을 얼마나 정확하게 찾아냈는지 File F1 점수로 평가받는다.
이 벤치마크에서 Antares-1B는 File F1 0.209를 기록했다. 이는 753B 파라미터의 GLM-5.2(0.186)와 Gemini 3 Pro를 넘어선 수치다5. 아직 미공개된 Antares-3B는 0.223까지 올라가 GPT-5.5(0.229)에 근접하며, Antares-350M조차 0.135로 Gemma-4-31B(0.101)를 앞선다.
이 결과에서 가장 흥미로운 사실은 베이스 모델의 File F1이 0.000이라는 점이다4. 취약점 탐지 능력이 거의 전적으로 사후 훈련을 통해 획득되었다는 뜻이다. 실제 훈련 파이프라인은 지도 학습 미세 조정과 그룹 상대 정책 최적화의 2단계로 구성됐다1. GRPO 단계에서는 파일 수준 위치 정확도, 유효한 제출 동작, 도구 사용 준수, 탐색 행동에 대한 검증 가능한 다중 구성 요소 보상을 사용했으며, 이를 통해 SFT 대비 File F1을 11~25% 추가로 끌어올렸다. 특히 규모가 작은 모델일수록 GRPO의 상대적 이득이 더 컸다. 여기에 더해 GRPO는 모델의 실행 간 편차를 42~65% 줄여주는데, 보안 스캔처럼 반복 실행이 필수인 작업에서 낮은 분산은 평균 점수 이상으로 중요한 가치다.
비용 효율성의 재정의
효율성은 더 극적이다. Antares-1B는 H100 GPU 하나로 500개 작업 전체를 약 13분, 1달러 미만의 비용으로 완료한다1. 같은 작업에 GLM-5.2는 12.50달러, GPT-5.5는 141달러가 든다. Amin Saberi 스탠퍼드 교수는 “보안은 사치재가 될 수 없다”며 “이런 효율성은 모든 팀이 매 커밋마다 상시 보안 스캔을 돌릴 수 있게 만드는 요소”라고 평가했다3. 한정된 예산으로 운영되는 소규모 팀이나 오픈소스 프로젝트에 특히 의미 있는 전환점이다.
무엇을 배우고 어떻게 적용할 것인가
도입 시 이해해야 할 한계
Cisco Foundation AI Antares는 취약점 유무를 확정하지 않는다. 최종 출력은 어디까지나 후보 파일 목록이며, 실제 취약 여부는 여전히 사람 분석가나 하위 도구가 확인해야 한다. Cisco는 명시적으로 “애플리케이션 보안 도구 체인을 대체하지 않는다”고 밝혔다3. 의존성 분석, 시크릿 스캐닝, 동적 테스트, 위협 모델링은 그대로 유지되어야 한다. 또한 훈련 데이터의 컷오프는 2025년 4월 10일이므로, 이후 등장한 새로운 취약점 패턴은 반영되지 않았다1. 10MB 이상의 대규모 레포지토리나 5개 이상 파일에 걸친 취약점에서는 성능이 떨어진다는 보고도 있다.
실무에서 활용하는 방법
Apache 2.0 라이선스로 공개되어 어떤 환경에서도 자유롭게 실험할 수 있고, 공식 CLI는 JSON과 SARIF 출력을 지원해 CI/CD 연동이 용이하다. 다음과 같은 워크플로우를 즉시 구성할 수 있다.
PR 트리거 스캔: 풀 리퀘스트가 생성될 때마다 Antares가 변경된 파일 중심으로 빠른 1차 탐색을 실행한다.
CVE 소비 자동화: 새 CVE가 발표되면 해당 설명을 Antares에 전달하고, 코드베이스 내 잠재적 영향 범위를 13분 안에 좁힌다.
사람 분석가의 트리아지 도구: 모든 파일을 직접 뒤지는 대신, Antares가 제시한 순위 목록을 기반으로 검토를 시작한다.
가장 큰 수확은 방향성이다. 프런티어 모델의 크기 경쟁에서 벗어나, 작은 모델이라도 명확한 태스크에 집중하면 실무에 쓸 만한 도구가 될 수 있다는 걸 입증했다. 보안 조직이 매일 반복하는 “어디부터 볼까?”라는 질문에, 이제 Cisco Foundation AI Antares라는 1달러짜리 AI 조수가 13분 만에 1차 답을 내놓는다.
1fdtn-ai/antares-1b · Hugging Face
2fdtn-ai/antares-350m · Hugging Face
5Cisco's open-weight Antares models make vulnerability localization cheaper
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.