Cisco Antares Yapay Zekâ Modelleri Yazılım Güvenliğinde Maliyet Dengesini Değiştiriyor

Teknoloji Haberleri - Cisco Antares modeli ailesi, yazılım projelerindeki güvenlik açıklarının tespitini çok daha düşük maliyetle gerçekleştirmeyi hedefliyor. Açık ağırlıklı yeni küçük dil modelleri, yerel çalışabilme yeteneği ve büyük yapay zekâ modellerine yaklaşan performansıyla dikkat çekiyor.

Cisco Antares, yazılım projelerinde bilinen güvenlik açıklarının hangi dosyalarda bulunduğunu belirlemeye odaklanan yeni nesil küçük dil modeli ailesi olarak duyuruldu. Cisco Foundation AI tarafından geliştirilen seri, yalnızca yüksek doğruluk sağlamayı değil, aynı zamanda büyük yapay zekâ modellerine kıyasla çok daha düşük işlem maliyetiyle çalışmayı hedefliyor. Şirket, Antares-350M ve Antares-1B modellerini açık ağırlıklı (open-weight) olarak yayımlarken, daha güçlü Antares-3B modelinin ise ilerleyen dönemde erişime açılacağını açıkladı.

Kurumsal yazılım ekipleri için güvenlik analizi uzun süredir en maliyetli ve zaman alan süreçlerden biri olarak görülüyor. Bir güvenlik açığı duyurulduğunda ekiplerin yalnızca zafiyetin varlığını öğrenmesi yeterli olmuyor. Aynı zamanda milyonlarca satır kod içeren depolar içerisinde bu zafiyetin hangi dosyalarda bulunduğunu, gerçekten uygulanabilir olup olmadığını ve hangi bileşenleri etkilediğini de belirlemesi gerekiyor. Bu süreç çoğu zaman manuel inceleme, statik analiz araçları ve büyük dil modellerinin birlikte kullanılmasını gerektiriyor.

Cisco ise Antares ailesini tam olarak bu darboğazı çözmek amacıyla geliştirdiğini belirtiyor. Şirketin yaklaşımında amaç, genel amaçlı sohbet odaklı büyük yapay zekâ modelleri geliştirmek yerine, yalnızca güvenlik araştırmacılarının karşılaştığı belirli bir problemi çok daha verimli biçimde çözebilen uzmanlaşmış modeller üretmek.

Küçük Parametre Sayısı, Beklenenden Çok Daha Yüksek Performans

Antares ailesi üç farklı modelden oluşuyor.

Antares-350M yaklaşık 350 milyon parametre, Antares-1B ise 1 milyar parametre içeriyor. Henüz yayımlanmayan Antares-3B modeli ise 3 milyar parametreye sahip olacak. Model isimlerinin sonunda bulunan rakamlar doğrudan parametre büyüklüğünü ifade ediyor.

Yapay zekâ dünyasında son yıllarda genel eğilim, yüz milyarlarca hatta trilyon seviyesine yaklaşan parametre sayılarına sahip dev modeller geliştirmek yönünde ilerliyor. Cisco ise bunun tam tersini tercih ediyor.

Şirkete göre güvenlik analizi gibi belirli görevlerde model büyüklüğünü sürekli artırmak her zaman daha iyi sonuç vermiyor. Bunun yerine yalnızca ilgili probleme odaklanan, daha küçük ancak çok daha optimize edilmiş modeller hem işlem maliyetini düşürüyor hem de kurumsal kullanım açısından önemli avantajlar sunuyor.

Bu yaklaşım özellikle kurum içindeki kaynak kodlarının dış servislere gönderilmesini istemeyen şirketler açısından dikkat çekiyor. Büyük bulut tabanlı modeller kullanıldığında şirketlerin kaynak kodlarının üçüncü taraf altyapılara aktarılması gerekebiliyor. Antares ise doğrudan şirket içindeki sunucularda veya yerel GPU sistemlerinde çalıştırılabildiği için hassas yazılım projelerinin kurum dışına çıkmasını gerektirmiyor.

Bu bölümde Antares ailesinin farklı parametre büyüklüklerine rağmen büyük kapalı kaynak ve açık ağırlıklı modeller karşısındaki başarı seviyesini gösteren performans grafiği kullanılmalıdır. Görsel, Antares-350M, Antares-1B ve Antares-3B modellerinin GPT-OSS, Gemini, GLM-5.2 ve GPT-5.5 gibi rakiplerle karşılaştırmalı doğruluk sonuçlarını desteklediği için metnin bu kısmıyla doğrudan ilişkilidir.

Cisco Antares Nasıl Çalışıyor?

Cisco’nun geliştirdiği sistem klasik sohbet tabanlı yapay zekâ mantığıyla hareket etmiyor. Modelin temel görevi, güvenlik araştırmacısının normalde saatler sürebilecek araştırma sürecini hızlandırmak.

İlk aşamada modele CVE kaydı, CWE tanımı veya güvenlik danışmanlığı gibi dış kaynaklı bilgiler veriliyor. Model daha sonra ilgili kod deposunu incelemeye başlıyor.

İlk tarama sırasında dosya isimlerini, fonksiyon yapılarını, dizin ilişkilerini ve çağrı zincirlerini analiz ediyor. Elde ettiği yeni ipuçlarına göre arama stratejisini sürekli güncelliyor. Böylece yalnızca anahtar kelime eşleştirmesi yapan klasik arama sistemlerinden farklı olarak araştırmasını dinamik biçimde yönlendirebiliyor.

Cisco bu sürecin deneyimli bir güvenlik araştırmacısının çalışma biçimini örnek alacak şekilde tasarlandığını ifade ediyor. Model tek seferde kesin cevap üretmek yerine araştırmasını yeni bulgular doğrultusunda genişletiyor, aday dosyaları karşılaştırıyor ve en yüksek risk taşıyan kaynak kodlarını önceliklendiriyor.

Bu yapı özellikle büyük ölçekli yazılım projelerinde ciddi zaman tasarrufu sağlayabilecek bir yaklaşım olarak değerlendiriliyor. Binlerce dosyadan oluşan kurumsal projelerde güvenlik ekiplerinin yalnızca en riskli dosyalara yönlendirilmesi bile inceleme süresini önemli ölçüde azaltabiliyor.

Açık Ağırlıklı Yayınlanması Kurumsal Kullanımı Kolaylaştırıyor

Cisco’nun en önemli kararlarından biri Antares-350M ile Antares-1B modellerini açık ağırlıklı olarak yayımlaması oldu.

Open-weight yaklaşımı, model ağırlıklarının geliştiriciler tarafından indirilebilmesini ve kendi altyapılarında çalıştırılabilmesini sağlıyor. Böylece kurumlar modeli kendi güvenlik politikalarına göre özelleştirebiliyor, inceleyebiliyor ve farklı güvenlik araçlarıyla entegre edebiliyor.

Bu tercih aynı zamanda düzenlemelere tabi sektörlerde faaliyet gösteren şirketler açısından da önemli avantaj sunuyor. Finans, savunma, kamu ve sağlık gibi alanlarda faaliyet gösteren kuruluşlar, kaynak kodlarını dış bulut servislerine göndermeden yapay zekâ destekli analiz gerçekleştirebiliyor.

Vulnerability Localization Yaklaşımı Neden Farklı Bir Çözüm Sunuyor?

Yazılım güvenliği alanında kullanılan araçların büyük bölümü iki farklı yaklaşım üzerine kuruluyor. Bir tarafta kaynak kodunu belirli kurallar çerçevesinde tarayan statik analiz sistemleri bulunurken, diğer tarafta ise genel amaçlı büyük dil modelleri yer alıyor. Statik analiz araçları yüksek hızla çalışmasına rağmen çoğu zaman çok sayıda yanlış alarm üretebiliyor. Büyük dil modelleri ise daha esnek yorumlama yeteneğine sahip olsa da işlem maliyeti, gecikme süresi ve veri gizliliği gibi konularda her kurum için uygun bir seçenek oluşturmuyor.

Cisco Antares bu iki yaklaşım arasında konumlandırılıyor. Model, güvenlik açığının teknik tanımını anlamakla kalmıyor, aynı zamanda yazılım mimarisini analiz ederek güvenlik araştırmacısının izleyeceği mantıksal yolu taklit etmeye çalışıyor. Böylece yalnızca belirli kod parçalarını aramak yerine, güvenlik açığının oluşabileceği ilişkileri de değerlendiriyor.

Bu yaklaşım özellikle açık kaynak bileşenlerin yoğun olarak kullanıldığı modern yazılım projelerinde önem kazanıyor. Günümüzde büyük ölçekli uygulamalar binlerce bağımlılık içeriyor. Yeni bir CVE yayımlandığında ilgili bileşenin projede hangi dosyalar tarafından kullanıldığını belirlemek çoğu zaman güvenlik ekiplerinin en fazla zaman harcadığı işlemlerden biri hâline geliyor.

Antares’in amacı bu araştırma süresini önemli ölçüde azaltmak. Model, ilgili güvenlik duyurusunu aldıktan sonra kod deposundaki olası bağlantıları analiz ediyor, öncelikli aday dosyaları belirliyor ve yeni bulgular doğrultusunda araştırmasını sürekli güncelliyor. Böylece güvenlik uzmanlarının inceleme yapacağı dosya sayısı ciddi biçimde azaltılabiliyor.

Cisco, bu yaklaşımın özellikle sürekli entegrasyon ve sürekli dağıtım süreçlerinde çalışan büyük yazılım ekipleri için önemli kazanımlar sağlayacağını ifade ediyor. Güvenlik kontrollerinin geliştirme sürecinin erken aşamalarında otomatik olarak gerçekleştirilebilmesi, hem yazılım kalitesini artırıyor hem de sonradan ortaya çıkabilecek maliyetli düzeltmelerin önüne geçebiliyor.

Performans Sonuçları Büyük Modellerle Doğrudan Karşılaştırıldı

Cisco’nun yayımladığı teknik değerlendirme sonuçları, Antares ailesinin yalnızca küçük boyutuyla değil, performansıyla da öne çıkmayı hedeflediğini gösteriyor.

Şirketin geliştirdiği Vulnerability Localization Benchmark testlerinde Antares modelleri; OpenAI, Google, Meta, Alibaba, MiniMax ve Z.ai gibi şirketlerin farklı yapay zekâ modelleriyle aynı senaryolar altında karşılaştırıldı. Testlerde kullanılan ölçüt, güvenlik açığının gerçekten bulunduğu dosyanın doğru şekilde tespit edilme başarısını gösteren File F1 Score metriği oldu.

Paylaşılan sonuçlara göre Antares-350M modeli, yalnızca 350 milyon parametre kullanmasına rağmen bazı senaryolarda çok daha büyük modellerden daha yüksek başarı elde ediyor. Antares-1B modeli ise yaklaşık bir milyar parametreyle çalışmasına rağmen, Google Gemini 3 Pro ve GLM-5.2 gibi daha büyük sistemlerin üzerine çıkabiliyor.

Henüz genel kullanıma açılmayan Antares-3B ise en dikkat çekici sonuçlardan birini ortaya koyuyor. Yaklaşık üç milyar parametreye sahip model, Cisco’nun testlerinde GPT-5.5 seviyesine yaklaşan doğruluk oranına ulaşırken bunu çok daha küçük bir model mimarisiyle gerçekleştiriyor. Bu tablo, belirli görevler için geliştirilen uzmanlaşmış küçük modellerin, genel amaçlı dev sistemlerle rekabet edebileceğini gösteren önemli örneklerden biri olarak değerlendiriliyor.

Bu bölümde Antares modellerinin çalışma süresi ile değerlendirme başına maliyet karşılaştırmasını gösteren grafik kullanılmalıdır. Görsel, Antares ailesinin GLM-5.2 ve GPT-5.5 gibi büyük modellere göre çok daha düşük maliyetle benzer güvenlik analizi gerçekleştirebildiğini anlattığı için bu bölümde yer almalıdır.

Maliyet Avantajı Kurumsal Ölçekte Daha Belirgin Hâle Geliyor

Yapay zekâ modelleri değerlendirilirken genellikle doğruluk oranları ön plana çıkıyor. Ancak kurumsal kullanımda toplam işletme maliyeti de en az doğruluk kadar önem taşıyor. Bir model ne kadar başarılı olursa olsun, yüksek donanım gereksinimi ve uzun işlem süreleri geniş ölçekli kullanımın önünde önemli bir engel oluşturabiliyor.

Cisco’nun paylaştığı maliyet analizine göre Antares ailesi bu noktada oldukça iddialı bir tablo ortaya koyuyor.

Şirketin hesaplamalarına göre Antares-350M modeli bir değerlendirmeyi yaklaşık 0,60 ABD doları, Antares-1B yaklaşık 0,71 ABD doları, Antares-3B ise 0,82 ABD doları seviyesinde tamamlayabiliyor. Aynı karşılaştırmada açık ağırlıklı GLM-5.2 modelinin yaklaşık 12,5 dolar, GPT-5.5’in ise 141 dolar seviyesinde işlem maliyetine ulaştığı belirtiliyor. Cisco’nun teknik verilerine göre bu fark bazı senaryolarda 15 kata, bazı durumlarda ise 170 katın üzerine çıkabiliyor. Bu değerler kullanılan donanım, çalışma yöntemi ve test senaryosuna göre değişebilse de, küçük modellerin ekonomik avantajını net biçimde ortaya koyuyor.

Düşük maliyet yalnızca bulut servisleri kullanan şirketler açısından önem taşımıyor. Yerel sunucular üzerinde çalışan kurumlar için de daha küçük modeller; daha az GPU belleği, daha düşük enerji tüketimi ve daha kısa işlem süresi anlamına geliyor. Bu durum özellikle her gün binlerce güvenlik taraması gerçekleştiren büyük yazılım organizasyonlarında toplam işletme giderlerini doğrudan etkileyebilecek bir unsur hâline geliyor.

Kurumsal Güvenlik Süreçlerinde Farklı Senaryolara Uyum Sağlıyor

Cisco Antares yalnızca tek bir güvenlik görevine odaklanan kapalı bir sistem olarak tasarlanmadı. Şirket, modellerin farklı iş akışlarında kullanılabilecek şekilde geliştirildiğini belirtiyor.

Bunlar arasında yeni yayımlanan CVE kayıtlarının analiz edilmesi, belirli CWE kategorilerine ait güvenlik açıklarının ilgili dosyalarda aranması, güvenlik danışmanlıklarının doğrulanması, statik analiz araçlarının ürettiği bulguların önceliklendirilmesi, CI/CD süreçlerinde riskli dosyaların belirlenmesi ve internet bağlantısının tercih edilmediği yüksek gizlilik gerektiren ortamlarda yerel güvenlik analizi gerçekleştirilmesi gibi kullanım senaryoları bulunuyor.

Uzmanlaşmış Küçük Modeller Yapay Zekâ Stratejisini Değiştirebilir

Son iki yılda yapay zekâ sektöründe rekabet büyük ölçüde parametre sayısı ve genel amaçlı kullanım yetenekleri üzerinden şekillendi. Ancak kurumsal tarafta ortaya çıkan yeni eğilim, her görevi tek bir dev modele yaptırmak yerine belirli problemlere özel optimize edilen küçük modeller geliştirmek yönünde ilerliyor.

Cisco Antares da bu yaklaşımın güncel örneklerinden biri olarak öne çıkıyor. Şirket, güvenlik açığı lokalizasyonu gibi oldukça spesifik bir problemi hedefleyerek gereksiz hesaplama yükünü ortadan kaldırmaya çalışıyor. Böylece model yalnızca daha düşük donanımla çalışmakla kalmıyor, aynı zamanda daha hızlı yanıt verebiliyor ve kurumların altyapı maliyetlerini de aşağı çekebiliyor.

Bu strateji özellikle yapay zekâ yatırımlarını üretim ortamına taşımaya hazırlanan kurumlar açısından önemli olabilir. Büyük dil modelleri etkileyici genel yetenekler sunsa da her isteğin bulut üzerinden işlenmesi; gecikme süresi, işlem maliyeti ve veri gizliliği gibi konularda bazı sınırlamalar oluşturabiliyor. Antares gibi görev odaklı küçük modeller ise bu dezavantajların önemli bölümünü ortadan kaldırabilecek bir alternatif sunuyor.

Bununla birlikte Cisco’nun paylaştığı performans sonuçlarının şirketin kendi benchmark ortamında elde edildiğini de göz önünde bulundurmak gerekiyor. Gerçek üretim sistemlerinde farklı yazılım mimarileri, programlama dilleri, kod büyüklükleri ve güvenlik senaryoları performansı doğrudan etkileyebilir. Bu nedenle Antares’in farklı sektörlerdeki başarısı, geliştiricilerin gerçekleştireceği bağımsız testlerle daha net biçimde ortaya çıkacak.

Antares-3B İçin Bekleyiş Sürüyor

Cisco şu aşamada Antares-350M ile Antares-1B modellerini geliştiricilerin kullanımına açmış durumda. Her iki model de Hugging Face üzerinden indirilebiliyor ve kurum içi sunuculara kurulabiliyor. Antares-3B modeli ise henüz yayımlanmadı. Şirket, en yüksek performansı sunan bu sürümün ilerleyen dönemde erişime açılacağını belirtirken kesin bir yayın takvimi paylaşmış değil.

Önümüzdeki süreçte Antares ailesinin yalnızca Cisco ekosisteminde değil, açık kaynak güvenlik araçlarında, DevSecOps platformlarında ve CI/CD çözümlerinde de kullanılmaya başlanması bekleniyor. Özellikle GitHub tabanlı geliştirme süreçleri ile otomatik güvenlik taramalarının yaygınlaşması, bu tür uzmanlaşmış modellerin daha geniş kullanım alanı bulmasını sağlayabilir.

Yapay zekâ sektöründe uzun süredir “daha büyük model daha iyi modeldir” anlayışı hâkimdi. Cisco Antares ise belirli problemlerde doğru eğitim verisi, görev odaklı mimari ve optimize edilmiş çıkarım süreçleri sayesinde çok daha küçük modellerin de rekabetçi sonuçlar üretebileceğini göstermeyi hedefliyor. Bu yaklaşımın önümüzdeki dönemde diğer teknoloji şirketleri tarafından da benimsenip benimsenmeyeceği, kurumsal yapay zekâ pazarının yönünü belirleyen önemli başlıklardan biri olacak. Teknoloji Haberleri - Teknoloji Medya