Antares-1B, 753B 모델 제치고 취약점 위치 추적 1위 – 1달러로 돌아가는 보안 AI의 등장

초대형 언어 모델이 보안 영역에서도 정답이라고 믿어지던 시기에, Cisco Foundation AI는 350M과 1B이라는 비교적 작은 파라미터의 오픈웨이트 모델 Antares를 공개했다. 그리고 신생 벤치마크인 Vulnerability Localization Benchmark에서 File F1 0.209를 기록하며 753B GLM-5.2, Gemini 3 Pro를 포함한 대형 모델들을 제치고 1위를 차지했다. 이 결과는 보안 AI의 비용과 프라이버시 패러다임을 다시 쓰게 만들 잠재력을 갖고 있다.

AI 보안 모델, 이제는 큰 것이 답이 아니다

초대형 LLM 시대의 보안 AI 비용 한계

클라우드 기반 초대형 모델을 코드 보안 파이프라인에 연결하면 호출 비용이 빠르게 누적된다. 저장소 풀 스캔처럼 대량 호출이 필요한 작업에서는 모델의 추론 단가가 곧 도입의 문턱이 된다.

취약점 위치 추적 과제의 특수성

Vulnerability Localization은 코드베이스 전체에서 어느 파일·함수에 알려진 결함이 존재하는지 정확히 가리키는 과제다. 일반 텍스트 요약보다 정밀한 토큰 단위 추론이 요구되며, 소형 모델이 도메인에 맞춰 사후학습되면 충분한 성능을 낼 수 있는 영역으로 평가된다.

소형 모델의 부상이 예고한 변화의 방향

최근 SLM은 기업용 온프레미스 추론과 결합되며 비용·지연시간·데이터 통제 측면에서 다시 주목받고 있다. 보안 영역은 이러한 변화의 가장 명확한 수혜처로 꼽힌다.

Antares는 무엇인가: 350M과 1B 오픈웨이트 취약점 위치 추적 모델

Antares 라인업 구성과 입력 처리 방식

Antares는 350M과 1B 두 가지 파라미터 규모로 제공되며, 저장소 코드와 결함 설명을 입력받아 취약점 후보 위치를 반환하는 구조다. 오픈웨이트 형태로 배포되어 가중치를 직접 내려받아 온프레미스 인프라에서 구동할 수 있다.

Cisco Foundation AI의 모델 공개 배경

Cisco Foundation AI는 네트워크·보안 회사가 보유한 코드와 위협 데이터에 대한 접근성을 활용해 보안 특화 모델을 공개하는 전략을 취해왔다. Antares는 그 흐름에서 코드 분석에 초점을 맞춘 결과물로 분류된다.

오픈웨이트 라이선스가 갖는 실무적 의미

오픈웨이트는 외부 API로 데이터가 빠져나가지 않는다는 점에서 내부 코드와 민감 취약 정보를 다루는 보안팀에 직접적 이점을 준다. 또한 감사·컴플라이언스 요구사항이 까다로운 조직에서도 도입 허들이 낮다.

벤치마크 해부: Vulnerability Localization Benchmark의 File F1 0.209 의미

File F1 0.209, GLM-5.2·Gemini 3 Pro 비교표

• Antares-1B: File F1 0.209 (350M 라인업도 동일 프로토콜에서 공개됨)
• GLM-5.2: 753B 파라미터, 동일 벤치마크에서 Antares-1B 대비 낮은 점수
• Gemini 3 Pro: 동일 벤치마크 포함, Antares-1B 대비 낮은 점수

Vulnerability Localization 태스크의 평가 방식

평가 단위는 파일 단위 F1로, 결함이 있는 파일을 정확히 가리키는 정밀도와 재현율을 함께 본다. 단순 분류가 아니라 실제 코드 위치 매칭이 점수에 반영되기 때문에 추론 품질이 직접 드러나는 지표다.

점수 비교에서 드러난 스케일의 역설

수백 배 큰 파라미터의 폐쇄형 모델이 도메인 특화 1B 모델에 밀린 결과는, 보안 코드 분석처럼 정답 분포가 좁은 과제에서는 사전지식의 양보다 학습 데이터의 정밀도가 더 큰 변수임을 시사한다.

사후학습이 모든 것을 만들었다: Granite 4.0와의 점수 비교

Granite 4.0 0점 사건이 말하는 사후학습의 무게

사전학습만 거친 Granite 4.0 체크포인트가 동일 벤치마크에서 거의 0점을 기록했다는 사실은, 취약점 위치 추적 능력의 거의 전부가 사후학습 단계에서 형성되었음을 강하게 시사한다.

사전학습과 사후학습의 책임 분담 구조

사전학습은 일반 코어 언어 능력을 제공하고, 사후학습이 도메인 추론 능력의 결정적 차이를 만든다는 분담 구조로 해석된다. Antares는 이 분담을 가장 극단적으로 보여준 사례로 볼 수 있다.

보안 특화 데이터셋 설계의 중요성

CVE 사례, 패치 커밋, 보안 레포트 등 정답 라벨이 명확한 데이터를 어떻게 큐레이션하느냐가 모델의 실질적 성능을 좌우하는 것으로 분석된다.

경제성 분석: H100 1장 13분 1달러 미만으로 가능해진 시큐리티 워크플로

500 태스크 스윕 기준 시간과 비용

공개된 수치에 따르면 500개 태스크 풀 스윕을 단일 H100 GPU에서 약 13분, 1달러 미만 비용으로 실행 가능하다. 이는 대형 모델 클라우드 호출 비용 대비 압도적으로 낮은 수치다.

클라우드 API 대비 온프레미스 SLM의 비용 곡선

초기 1회성 호출에서는 클라우드 API가 단순해 보이지만, 풀 스캔과 지속적 모니터링이 결합되면 비용 곡선이 급격히 꺾인다. 1B 오픈웨이트 SLM은 고정비형 인프라로 운영될 때 비용 우위가 두드러진다.

대규모 저장소 상시 스캔 시나리오

모노레포 또는 다수 저장소를 상시 모니터링하는 시나리오에서 Antares-1B는 후보 위치 사전 필터 역할로 배치될 수 있다. 후속 정밀 분석에는 다른 도구를 연결하는 2단 파이프라인 구성이 현실적인 그림으로 보인다.

오픈웨이트의 전략적 가치: Cisco Foundation AI의 오픈소스 포지셔닝

오픈웨이트 SLM의 온프레미스 취약점 스캔 시나리오

Antares는 폐쇄망 환경에서도 추론이 가능하므로, 금융·공공·국방처럼 코드 외부 반출이 제한된 조직에서도 직접 활용할 수 있다. 이는 SaaS 형태의 보안 AI가 진입하기 어려운 영역을 채운다.

민감 코드 유출 없이 운영 가능한 프라이버시 효과

외부 API 호출이 발생하지 않기 때문에 소스코드와 잠재 취약점 정보가 사내 경계 안에 머문다. 이는 보안 그 자체의 보안이라 할 수 있는 메타 효과를 갖는다.

파운데이션 모델 기업의 오픈소스 경쟁 구도

Cisco뿐 아니라 다른 대형 파운데이션 기업들도 도메인 특화 SLM을 공개하며 생태계 점유를 노리고 있다. 오픈웨이트는 사실상 새로운 표준 유통 채널로 자리 잡는 흐름으로 해석된다.

기업 보안팀에 대한 실질적 함의와 향후 과제

한계와 리스크: 환각, 미탐, 책임 소재

오픈웨이트라 해도 환각과 미탐 문제는 남아 있으며, 자동화 파이프라인에 곧바로 연결할 경우 오탐으로 인한 알림 피로가 발생할 수 있다. 최종 판단과 책임 소재는 여전히 사람의 영역으로 남는다.

보안팀 도입 체크리스트: 정확도·비용·거버넌스

• 정확도: 자체 저장소 샘플에 대한 File F1을 사내 데이터로 재측정했는가
• 비용: 풀 스캔 1회당 추론 비용과 지연시간을 측정해 클라우드 API와 비교했는가
• 거버넌스: 라이선스, 가중치 갱신 주기, 로그 보존 정책을 점검했는가
• 책임: 자동 조치 범위와 사람의 검토 단계를 명문화했는가

Antares 이후 보안 SLM 시장의 다음 질문

Antares는 코드보안 분야에서 소형 모델의 경쟁력을 입증했지만, 그 다음 질문은 사후학습 데이터의 구축 비용과 지속적 업데이트의 운영 부담이 될 것으로 보인다. 이러한 영역이 해결 가능한 형태로 정리될 때 보안 SLM은 본격적인 표준으로 자리매김할 가능성이 있다.

관련 키워드: Antares, Cisco Foundation AI, 오픈웨이트 모델, 소형 언어 모델, SLM, 취약점 위치 추적, Vulnerability Localization Benchmark, File F1, Granite 4.0, 사후학습, 코드 보안, AI for Security, H100 추론, 오픈소스 AI

참고 자료: MarkTechPost 원문 기사, GeekNews 해외 IT 기술뉴스