GPT-5.5는 5시간, Cisco의 3억 5천만 파라미터 모델은 15분. 코드 저장소 500개를 스캔하는 데 걸린 시간입니다. 크기 차이는 수백 배인데, 걸린 시간은 오히려 거꾸로였습니다.
Cisco Foundation AI가 취약점 위치 탐지 전용 소형 언어모델 3종을 공개했습니다. 이름은 Antares, 파라미터 규모는 각각 3억 5천만, 10억, 30억입니다. CWE(취약점 카테고리) 설명 하나만 던져주면 실제 코드 저장소를 스스로 뒤져가며 취약한 코드가 어디 있는지 찾아냅니다.
출처: Antares: Foundation Models for Agentic Vulnerability Localization – Cisco Foundation AI
특화된 학습이 크기를 이겼다
Antares는 IBM Granite 기반 모델을 두 단계로 훈련시켜 만들었습니다. 먼저 보안 추론과 저장소 탐색 방법을 지도학습으로 가르칩니다. 그다음 실제로 취약점을 찾아낸 경우에만 보상을 주는 강화학습을 거칩니다.
이 훈련 방식이 만든 차이는 뚜렷합니다. 가장 작은 3억 5천만 파라미터 모델조차 훨씬 큰 범용 모델들을 앞질렀습니다. 가장 큰 30억 파라미터 모델은 GPT-5.5에 근접한 성능을 내면서, 자신보다 200배 이상 큰 오픈 모델들까지 앞섰습니다.
Cisco 연구진은 이 결과를 “과제에 맞춘 후속 학습이 원시 모델 크기보다 더 중요할 수 있다”는 증거로 제시합니다. 범용 지능을 키우는 대신, 취약점을 찾는 행동 하나에 집중해 학습시킨 결과라는 겁니다.
숫자로 보면 차이가 더 뚜렷하다
벤치마크 결과는 구체적이죠. 500개 과제로 구성된 전체 평가를 단일 H100 GPU 한 대로 약 15분 만에 끝냈습니다. 과제 하나당 비용은 0.002달러 미만이라는 겁니다.
개발자 Aman Priyanshu는 X에서 가장 작은 모델이 Cognition의 Devin Security Swarm 같은 대형 AI 에이전트보다 달러당 약 150배 많은 취약점을 잡아낸다고 밝혔습니다. 실제 테스트에서는 코드 저장소 500개를 스캔하는 데 15분, 1달러 미만이 들었죠. 같은 작업에 GPT-5.5는 5시간, 100달러 넘게 썼다는 겁니다.
로컬 구동이라는 조건도 중요하다
Antares는 로컬에서 돌아갑니다. 이 말은 민감한 소스코드가 외부 API로 전송될 필요가 없다는 뜻입니다.
보안 취약점을 찾겠다고 자사 코드를 외부 서버에 보내야 한다면, 그 자체로 또 다른 보안 리스크가 됩니다. Cisco는 이 지점을 실용적 장점으로 명확히 짚었습니다. 폐쇄망이나 에어갭 환경에서도 CLI 형태로 배포할 수 있게 설계했다는 점도 같은 맥락입니다.
클수록 좋다는 통념에 예외가 생겼다
이번 사례가 보여주는 건 명확합니다. 모든 작업에 범용 프런티어 모델을 쓸 필요는 없다는 겁니다.
취약점 탐지처럼 목표가 좁고 명확한 작업이라면, 그 작업 하나에 맞춰 학습시킨 소형 모델이 오히려 더 빠르고, 더 저렴하고, 더 안전할 수 있습니다. Cisco는 350M과 1B 모델을 공개했고, 가장 큰 3B 모델은 자사 제품용으로 남겨뒀습니다. 업계 차원의 오픈 AI 보안 도구 컨소시엄 구성도 검토 중이라고 밝혔습니다.
답글 남기기