Antares : Cisco publie deux modèles à poids ouverts dédiés à la détection de failles

Cisco Foundation AI lance Antares : des modèles ouverts de 350M et 1B qui localisent les vulnérabilités connues dans du code réel

Cisco Foundation AI a publié Antares, une famille de petits modèles de langage spécialisés (SLM) dédiés à une tâche unique en sécurité informatique : la localisation de vulnérabilités. À partir d'une description de faille et d'un dépôt de code, le modèle doit identifier les fichiers concernés. Deux versions sont disponibles en poids ouverts sur Hugging Face sous licence Apache 2.0, Antares-350M et Antares-1B, tandis qu'une troisième, Antares-3B, reste non publiée. Les trois modèles sont des transformeurs décodeurs initialisés à partir des checkpoints IBM Granite 4.0, partageant attention par groupes de requêtes, couches SwiGLU, normalisation RMSNorm et encodage RoPE. Cisco a également mis en ligne, sous la même licence, VLoc Bench, un benchmark agentique de 500 tâches issues de 290 dépôts réels couvrant six écosystèmes (npm, pip, Maven, Go, Rust, Composer) et 147 catégories CWE, dont 78% associées à un identifiant CVE officiel. Le résultat marquant n'est pas un record absolu mais un écart de performance à taille égale : Antares-1B atteint un score File F1 de 0,209, dépassant GLM-5.2, un modèle ouvert de 753 milliards de paramètres, plafonné à 0,186. Antares-3B grimpe à 0,223, juste sous GPT-5.5 en mode de raisonnement maximal à 0,229. Antares-1B affiche par ailleurs le meilleur rappel de tous les systèmes testés, à 0,224. Ce résultat illustre qu'un entraînement ciblé sur une tâche précise peut surpasser la simple augmentation du nombre de paramètres. Pour les équipes de sécurité, cela signifie qu'un modèle léger, peu coûteux à faire tourner, peut accélérer la première étape de triage lors d'une alerte de vulnérabilité, celle où un développeur doit fouiller un code source volumineux et mal connu pour localiser un fichier fautif. Les outils d'analyse statique classiques testés dans le même cadre restent nettement en retrait, avec 0,086 pour Semgrep, 0,023 pour CodeQL et seulement 0,020 pour Horusec, preuve que les scanners à base de règles peinent à s'adapter au contexte réel d'un dépôt. Cisco précise toutefois qu'Antares ne remplace aucun autre maillon de la chaîne de sécurité applicative : l'analyse des dépendances, la détection de secrets, les tests dynamiques ou la revue par des experts restent indispensables. Concrètement, Antares fonctionne comme un agent limité à 15 appels de terminal en lecture seule dans un bac à sable Docker sans accès réseau, ne recevant qu'une description de catégorie CWE, sans texte d'avis ni indice de fichier. Il conclut sa tâche en soumettant une liste classée de fichiers suspects ou en signalant l'absence de vulnérabilité. Le benchmark VLoc évalue aussi cette seconde capacité, en testant sur du code déjà corrigé si le modèle déclenche une fausse alerte. Cette approche s'inscrit dans une tendance plus large où l'industrie cherche à automatiser les tâches de sécurité répétitives et coûteuses en temps d'ingénieur, à mesure que le volume de vulnérabilités signalées dans les bases publiques continue de croître.

Cisco a analysé gratuitement l'origine de près de 900 modèles ouverts, jamais vérifiée pour 69% d'entre eux

Quand une équipe de sécurité valide un modèle open source pour la production, elle part généralement d'une simple page de dépôt sur Hugging Face indiquant le nom du modèle, sa licence et une étiquette précisant de quel modèle de base il descend. Cette étiquette n'est qu'une chaîne de caractères saisie par la personne qui a mis en ligne le modèle, sans aucune vérification au niveau des poids du réseau. Le rapport ATOM, publié en avril 2026 par Nathan Lambert et Florian Brand chez Interconnects AI, a suivi environ 1 500 modèles ouverts principaux en s'appuyant sur cette étiquette déclarative, en ne retenant que les modèles ayant plus de cinq téléchargements cumulés. Résultat : la famille Qwen d'Alibaba est le parent déclaré de 69% des nouveaux modèles dérivés en février 2026, contre seulement 1% en janvier 2024. Les laboratoires chinois représentent 70% du total, contre 4% pour l'Europe, pour un volume cumulé de 2,04 milliards de téléchargements suivis jusqu'en mars 2026. À ce flou sur la filiation s'ajoute une incertitude sur les scans de sécurité : Cisco Foundation AI analyse chaque fichier public déposé sur Hugging Face via un moteur ClamAV mis à jour, mais la plateforme peut afficher des fichiers encore en file d'attente, en cours d'analyse ou en erreur, sans que personne ne sache clairement, avant d'approuver un modèle, si la couverture du scan est complète. Face à ce constat, Cisco a lancé jeudi l'AI Supply Chain Provenance Explorer, une base de données publique et gratuite couvrant près de 900 modèles ouverts, avec pour chaque entrée le siège du fournisseur, un graphe de filiation basé sur une empreinte technique, les restrictions de licence et le nombre de fichiers scannés. Cet outil prolonge le Model Provenance Kit, un kit Python open source publié en avril qui avait établi l'empreinte d'environ 150 modèles de base à travers plus de 45 familles et 20 éditeurs, une couverture multipliée par six en un trimestre. Alors que la version d'avril nécessitait un environnement Python local, le téléchargement de poids pesant parfois des dizaines de gigaoctets et un investissement important en temps d'ingénieur, l'Explorer permet désormais de vérifier une filiation directement depuis une barre de recherche, sans compétence technique préalable. Cette accessibilité compte d'autant plus que le coût est justement la raison pour laquelle les entreprises choisissent les poids ouverts plutôt que les modèles propriétaires. Amy Chang, responsable de la veille et de la recherche en menaces IA chez Cisco, défend depuis plusieurs mois l'importance de combler ces failles de vérification. Lors d'un panel sur la sécurité agentique à VB Transform 2026, elle a présenté les résultats de 6 986 attaques multi-tours menées contre 15 modèles phares, avec des taux de réussite atteignant 88,3%. Selon elle, comprendre la vulnérabilité d'un modèle aux différents types d'attaques est impossible sans d'abord savoir précisément quel modèle alimente une application donnée. L'Explorer rend d'ailleurs publiques des données que Cisco utilisait déjà en interne via son système Cerberus, qui inspecte les modèles arrivant sur Hugging Face pour alimenter des politiques de blocage fondées sur la licence ou la région d'origine jugées à risque. Sur le plan technique, l'outil abandonne les étiquettes auto-déclarées au profit de scores de similarité calculés en deux étapes : une comparaison des métadonnées d'architecture, puis, en cas d'ambiguïté, l'extraction de cinq signatures au niveau des poids, dont des empreintes de couches stables qui résistent au fine-tuning et des profils de distribution d'énergie comparés entre réseaux.

💬 Bon, la stat 69% dépasse le nettoyage de code, elle expose une faille de gouvernance : les entreprises basent leurs décisions de sécurité sur une étiquette texte que n'importe qui peut mentir dans son dépôt Hugging Face. Selon Le Fil IA, un écosystème open source où 70% des modèles suivis viennent de labos chinois contre 4% pour l'Europe n'est pas juste un problème de souveraineté, c'est un problème de traçabilité qu'aucun scan de licence ne résout tout seul. L'outil de Cisco est utile, mais il ne fait que rendre visible un trou qui existait depuis toujours, reste à voir si les équipes sécu vont vraiment changer leurs habitudes de validation.

Shieldstral, le modèle ouvert de Mistral dédié à la sécurité, égale des modèles bien plus volumineux malgré sa petite taille

Mistral AI a dévoilé Shieldstral, un modèle ouvert de 3 milliards de paramètres conçu pour vérifier la sécurité des entrées et sorties des systèmes d'intelligence artificielle. Contrairement aux modèles de modération classiques qui s'appuient sur des catégories fixes de contenus interdits, Shieldstral fonctionne par questions en langage naturel, formulées sous forme de oui ou non, pour détecter les violations. Selon les résultats publiés par l'entreprise française, ce modèle compact atteint des performances comparables à celles de systèmes jusqu'à sept fois plus volumineux sur certains benchmarks, une prouesse notable dans un domaine où la taille est souvent perçue comme un gage de fiabilité. L'intérêt principal de Shieldstral réside dans sa flexibilité opérationnelle. Les entreprises et développeurs qui déploient des applications d'IA peuvent définir eux-mêmes leurs propres critères de sécurité au moment de l'exécution, plutôt que de dépendre d'une taxonomie imposée par un fournisseur tiers. Le modèle peut également tourner en local, ce qui répond à des besoins croissants de confidentialité et de souveraineté des données, notamment pour les organisations soumises à des contraintes réglementaires strictes ou soucieuses de ne pas transmettre de contenus sensibles à des API externes. Cette sortie s'inscrit dans la stratégie plus large de Mistral, qui mise sur des modèles ouverts et légers pour se différencier des géants américains de l'IA générative. La question de la modération automatisée des contenus générés par IA devient centrale à mesure que ces systèmes se déploient à grande échelle, dans des contextes professionnels comme grand public. En proposant un outil de sécurité personnalisable et peu coûteux en ressources, Mistral cherche à s'imposer comme un acteur de référence sur les briques d'infrastructure de confiance pour l'IA, un segment jusqu'ici dominé par des solutions propriétaires plus lourdes.

💬 Shieldstral, c'est le genre de truc qu'on attendait sans trop y croire : un modèle de modération qui marche aussi bien que des mastodontes sept fois plus gros, et qui tourne en local. Ce qui compte vraiment, c'est que tu définis tes propres règles au moment de l'exécution plutôt que de subir la taxonomie d'un fournisseur, ça change la donne pour toute boîte qui veut une modération sur-mesure sans dépendre d'une API US. Mistral joue intelligemment sa carte : pas la course à la taille, mais l'infrastructure de confiance, un segment où l'Europe a enfin un coup à jouer.

Anthropic renforce sa position sur les risques des modèles à poids ouverts, tout en niant avoir demandé une interdiction

Anthropic CEO Dario Amodei a de nouveau mis en garde contre les risques posés par les modèles d'IA à poids ouverts (open-weight), tout en insistant sur le fait qu'il n'a jamais appelé à leur interdiction. Selon lui, des États autoritaires comme la Chine pourraient dépasser les États-Unis dans la course à l'IA, et des modèles ouverts pourraient être détournés pour mener des attaques biologiques ou informatiques. Amodei, dirigeant d'une entreprise qui commercialise des modèles fermés comme Claude, a tenu à clarifier sa position publique après avoir été accusé de vouloir freiner la diffusion de modèles concurrents. Il maintient que ses inquiétudes portent sur la sécurité et non sur la volonté de limiter l'accès à la technologie. Cette prise de position a une portée concrète pour l'ensemble de l'industrie de l'IA. Les modèles ouverts, comme ceux développés par Meta ou des laboratoires chinois, permettent à davantage d'acteurs d'innover sans dépendre des grandes plateformes fermées, mais soulèvent aussi des questions de sécurité difficiles à trancher. Si les arguments d'Amodei influencent les régulateurs américains, cela pourrait freiner la diffusion de modèles open source aux États-Unis, avec des conséquences directes sur les startups et chercheurs qui s'appuient sur ces outils accessibles et moins coûteux. Des critiques accusent cependant Amodei de défendre avant tout les intérêts commerciaux d'Anthropic, dont le modèle économique repose sur des produits propriétaires facturés, menacés par la concurrence de modèles ouverts gratuits ou peu coûteux. Ce débat s'inscrit dans une tension plus large entre sécurité de l'IA et ouverture technologique, opposant les grands laboratoires américains, les acteurs open source et les gouvernements soucieux de préserver leur avantage stratégique face à la Chine. La suite dépendra largement des orientations réglementaires que prendront Washington et les autres capitales dans les mois à venir.