Von einer Million zu 100 Millionen Token: Wie Manta den Blick der KI auf Blockchain-Daten um das 100-Fache erweitern könnte

Der nächste große Durchbruch im Bereich der künstlichen Intelligenz muss möglicherweise nicht von einem größeren Chatbot oder einem schnelleren Bildgenerator kommen. Vielleicht liegt er vielmehr darin, Modellen die Möglichkeit zu geben, deutlich mehr Informationen gleichzeitig zu behalten und zu analysieren.

Das deutsche KI-Labor Empero hat Manta vorgestellt – ein Modell, das Berichten zufolge ein Eingabefenster von bis zu 100 Millionen Token unterstützt. Sollte sich diese Angabe bestätigen, wäre das ein drastischer Anstieg gegenüber den Kontextfenstern von rund einer Million Token, die einige der derzeit fortschrittlichsten KI-Systeme bieten.

Für die Blockchain-Branche könnte diese Entwicklung besonders bedeutsam sein. Kryptomärkte erzeugen enorme Mengen fragmentierter Informationen: Smart-Contract-Code, Governance-Vorschläge, Prüfberichte, Transaktionshistorien, rechtliche Dokumente, Token-Freischaltungspläne, Community-Diskussionen und Echtzeit-Marktdaten. Ein Modell, das all diese Materialien in einem einzigen Kontext verarbeiten kann, könnte die Arbeitsweise von Forschern, Entwicklern, Investoren und Sicherheitsteams grundlegend verändern.

Manta befindet sich jedoch noch in einer frühen Entwicklungsphase. Architektur, Geschwindigkeit, Kosten und allgemeine Zuverlässigkeit des Systems sind bislang nicht unabhängig bestätigt worden.

Was Mantas Kontext von 100 Millionen Token bedeutet

Das Kontextfenster eines Modells bestimmt, wie viele Informationen es in einer Interaktion lesen und nutzen kann. Ist der Kontext zu klein, muss ein KI-System frühere Inhalte zusammenfassen, kürzen oder ganz verwerfen.

Diese Einschränkung zeigt sich vor allem bei langwierigen Aufgaben. Ein KI-Programmieragent kann den Anfang eines Softwareprojekts noch verstehen, verliert nach Tausenden von Nachrichten aber möglicherweise den Überblick über wichtige Entscheidungen. Ein Rechercheassistent kann mehrere Berichte präzise analysieren, scheitert jedoch, wenn sich die relevanten Belege über Hunderte von Dokumenten verteilen.

Manta soll diesen Engpass überwinden, indem es eine Eingabe von ungefähr 100 Millionen Token unterstützt. In der Praxis könnte ein solches System dadurch Folgendes analysieren:

• Große Sammlungen von Unternehmensberichten
• Umfangreiche Smart-Contract-Repositories
• Lang laufende Diskussionen von Entwicklern und Governance-Gremien
• Historische Blockchain-Transaktionen und Event-Logs
• Mehrere Prüfberichte und Veröffentlichungen zu Sicherheitslücken
• Große Datensätze für Tokenomics- und Risikoanalysen

Der entscheidende Punkt ist nicht einfach „mehr Speicher“. Ein großes Kontextfenster wird erst dann wertvoll, wenn das Modell die richtigen Informationen abrufen, Beziehungen zwischen weit auseinanderliegenden Details bewahren und über den gesamten Datensatz hinweg schlussfolgern kann, ohne dass seine Genauigkeit deutlich abnimmt.

Emperos Tests mit langen Kontexten

Berichten zufolge testete Empero Manta, indem das Team 1.269 Jahres- und Quartalsberichte von S&P-500-Unternehmen in eine einzige Eingabe einfügte. Das Material umfasste ungefähr 88 Millionen Token.

Anschließend platzierte das Team 20 versteckte Signale in den Dokumenten und forderte das Modell auf, diese zu finden. Im ersten Test identifizierte Manta 18 der 20 Signale.

In einem zweiten Experiment platzierten die Forscher 50 äußerst ähnliche Signale in einem Datensatz von etwa 10 Millionen Token. Berichten zufolge fand Manta 43 davon.

Diese Ergebnisse deuten darauf hin, dass Manta Informationen aus sehr umfangreichen Dokumentensammlungen abrufen kann. Sie beweisen jedoch nicht, dass das Modell über 100 Millionen Token hinweg zuverlässig komplexe Schlussfolgerungen ziehen kann. Das Auffinden gezielt platzierter Signale ist etwas anderes, als die mehrjährige Geschichte eines Protokolls zu verstehen, eine subtile Sicherheitslücke in einem Smart Contract zu erkennen oder zu beurteilen, ob eine Onchain-Transaktion legitime Aktivitäten widerspiegelt.

Für Blockchain-Anwendungen ist dieser Unterschied entscheidend. Kryptodaten sind oft verrauscht, repetitiv und absichtlich irreführend. Ein Modell kann zwar eine bestimmte Formulierung in einem Governance-Vorschlag finden, deren wirtschaftliche Bedeutung aber dennoch falsch einschätzen. Es kann ein Transaktionsmuster erkennen, ohne zu berücksichtigen, dass die betreffende Adresse zu einem Market Maker, einem Bridge-Contract oder einem sanktionierten Akteur gehört.

Warum KI mit langen Kontexten für die Kryptoanalyse wichtig ist

Blockchain-Informationen sind ungewöhnlich stark verteilt. Ein einzelnes Protokoll kann seine Dokumentation an einem Ort hosten, den Code in einem öffentlichen Repository verwalten, Governance-Aktivitäten über mehrere Foren verteilen, Prüfberichte von verschiedenen Unternehmen einholen und Transaktionsdaten über unterschiedliche Netzwerke hinweg erzeugen.

Forscher müssen diese Quellen häufig manuell miteinander verknüpfen. Ein Modell mit langem Kontext könnte dabei helfen, ein umfassenderes analytisches Gesamtbild zu erstellen.

1. Intelligentere Due-Diligence-Prüfungen von Protokollen

Bevor Nutzer mit einem DeFi-Protokoll interagieren, müssen sie möglicherweise Folgendes prüfen:

• Die zentralen Contracts
• Upgrade-Berechtigungen
• Abhängigkeiten von Oracles
• Feststellungen aus Prüfberichten
• Frühere Vorfälle
• Token-Verteilung
• Konzentration der Governance-Macht
• Liquiditäts- und Bridge-Risiken

Ein Modell mit einem sehr großen Kontext könnte diese Materialien in einem einzigen Arbeitsablauf miteinander vergleichen, anstatt jedes Dokument als isolierte Aufgabe zu behandeln.

Dadurch könnten sich Widersprüche leichter erkennen lassen. Beispielsweise kann die Dokumentation eines Projekts ein erlaubnisfreies System beschreiben, während der Contract-Code weiterhin eine von einem Administrator kontrollierte Upgrade-Funktion enthält. Eine Analyse mit langem Kontext könnte diese Diskrepanz kennzeichnen und den Nutzer zum relevanten Code oder Governance-Eintrag führen.

KI sollte keine unabhängige Prüfung ersetzen, könnte aber als nützliche erste Ebene dienen, um komplexe Protokollrisiken zu strukturieren.

2. Umfassendere Prüfungen von Smart Contracts

Die Sicherheit von Smart Contracts hängt häufig vom Zusammenspiel mehrerer Dateien ab und nicht nur von einer einzelnen, isolierten Funktion. Eine Schwachstelle kann etwa einen externen Aufruf in einem Contract, eine Annahme zur Zugriffskontrolle in einem anderen Contract und einen wirtschaftlichen Exploit-Pfad umfassen, der erst bei der Betrachtung des Transaktionsverhaltens sichtbar wird.

Ein größeres Kontextfenster könnte KI-Systemen dabei helfen, Folgendes zu überprüfen:

• Vollständige Contract-Repositories
• Deployment-Konfigurationen
• Historische Patches
• Prüfberichte
• Einreichungen aus Bug-Bounty-Programmen
• Datenbanken zu bekannten Exploits
• Verwandte Governance-Vorschläge

Der wichtigste Vorteil wäre die Kontinuität. Statt ein Repository immer wieder in kurze Zusammenfassungen komprimieren zu müssen, könnte ein Agent dauerhaft auf die ursprüngliche Implementierung und ihre Entwicklungsgeschichte zugreifen.

Ein großes Kontextfenster ist jedoch nicht gleichbedeutend mit Sicherheitsexpertise. Ein Modell kann eine Schwachstelle übersehen, selbst wenn ihm der gesamte relevante Code zur Verfügung steht. Bei Prüfungen für den produktiven Einsatz sollten daher weiterhin deterministische Tests, gegebenenfalls formale Verifikation und erfahrene menschliche Prüfer zum Einsatz kommen.

3. Bessere Analyse der DAO-Governance

Dezentrale autonome Organisationen treffen Entscheidungen häufig durch eine Kombination aus Forendiskussionen, unverbindlichen Vorabstimmungen, formellen Abstimmungen, Stellungnahmen von Delegierten und Onchain-Ausführung.

Wichtiger Kontext kann sich dabei über monatelange Debatten verteilen. Ein Vorschlag, der für sich genommen unkompliziert wirkt, könnte das Risikoprofil eines Protokolls aufgrund früherer Zusagen, Abhängigkeiten oder Änderungen erheblich beeinflussen.

Ein KI-System mit langem Kontext könnte Nutzern helfen, Fragen wie diese zu beantworten:

• Welche Annahmen haben zum aktuellen Vorschlag geführt?
• Welche Delegierten haben ihn unterstützt oder abgelehnt?
• Unterscheidet sich die endgültige Abstimmung vom ursprünglichen Entwurf?
• Welche operativen Änderungen treten nach der Ausführung in Kraft?
• Ist ein ähnlicher Vorschlag zuvor gescheitert oder hat er unerwartete Folgen verursacht?

Dies könnte die Transparenz für Tokenholder verbessern, die realistischerweise nicht jeden Diskussionsstrang und jeden Transaktionsdatensatz lesen können.

Die Einschränkung besteht darin, dass Governance-Analysen mehr als reines Abrufen von Informationen erfordern. Das Modell muss zwischen technischen Argumenten, politischer Koordination, finanziellen Anreizen und spekulativen Behauptungen unterscheiden. Außerdem darf es eine Zustimmung der Mehrheit nicht automatisch als Beweis dafür werten, dass ein Vorschlag sicher ist.

KI-Agenten und langfristiger Programmierkontext

Berichten zufolge testete Empero Manta außerdem anhand einer realen KI-Programmiersitzung mit 31.450 Nachrichten und ungefähr 7,4 Millionen Token.

Der ursprüngliche Programmieragent komprimierte seinen bisherigen Kontext 13-mal, weil die Unterhaltung die verfügbare Kapazität überschritt. Manta konnte den vollständigen Verlauf in einem Durchgang verarbeiten und an fünf verschiedenen Stellen der Sitzung versuchen, die jeweils nächste Aktion vorherzusagen.

Das ist für die Blockchain-Entwicklung relevant, da Projekte häufig lange Debugging-Zyklen und umfangreiche Architekturdiskussionen umfassen. Ein Entwickler könnte einen KI-Agenten über mehrere Bereiche hinweg einsetzen:

• Solidity- oder Rust-Contracts
• Test-Suites
• Deployment-Skripte
• Frontend-Integrationen
• Rückmeldungen aus Prüfberichten
• Notizen zur Reaktion auf Sicherheitsvorfälle
• Frühere, gescheiterte Fehlerbehebungen

Wiederholte Zusammenfassungen können Details entfernen, die später entscheidend werden. Ein komprimierter Verlauf bewahrt möglicherweise das Endergebnis, lässt aber den Grund dafür aus, warum ein bestimmter Entwurf verworfen wurde. Bei sicherheitskritischem Code kann dieses fehlende Verständnis dazu führen, dass ein Agent eine frühere Schwachstelle erneut einführt.

Ein sehr großes Kontextfenster könnte KI-Programmieragenten bei langfristigen Projekten konsistenter machen. Es könnte außerdem den Bedarf verringern, separate Zusammenfassungen zum Verhalten von Contracts, zu Deployment-Annahmen und zu ungelösten Risiken zu pflegen.

Diese Fähigkeit bringt jedoch eine eigene Herausforderung mit sich: Je größer der Kontext, desto schwieriger kann es werden zu bestimmen, welche Informationen Priorität verdienen. Mehr Daten führen nicht automatisch zu besseren Entscheidungen.

Manta ist noch kein Beweis für einen allgemeinen Durchbruch

Die Idee eines Modells mit 100 Millionen Token ist nicht völlig neu. Im Jahr 2024 stellte Magic LTM-2-mini vor – ein System, das nach eigenen Angaben eine ähnlich große Kontextgröße unterstützen und dabei durch eine andere Architektur den Speicher- und Rechenaufwand reduzieren konnte. Später räumte Magic Schwierigkeiten bei der Skalierung des Modells während des Trainings ein. Das System ist bislang nicht allgemein für unabhängige öffentliche Tests verfügbar.

Manta steht vor ähnlichen Fragen.

Derzeit erklären öffentlich zugängliche Informationen nicht vollständig:

• Die zugrunde liegende Architektur des Modells
• Seine Verarbeitungsgeschwindigkeit unter realen Bedingungen
• Die für die Inferenz benötigte Hardware
• Die Kosten pro Anfrage mit langem Kontext
• Ob die Genauigkeit nahe der maximalen Kontextgröße stabil bleibt
• Wie gut das Modell mit Code, strukturierten Daten und absichtlich irreführenden Eingaben umgeht
• Ob sich der Ansatz auf größere und leistungsfähigere Modelle skalieren lässt

Berichten zufolge ist Manta derzeit nur für eine begrenzte Zahl früher Tester verfügbar. Die Teilnehmer dürfen Prompts, Ausgaben und Testdaten außerdem nicht ohne Genehmigung öffentlich teilen. Dadurch bleibt eine unabhängige Bewertung nur eingeschränkt möglich.

Für Krypto-Nutzer sollte dieser Mangel an Transparenz zu realistischen Erwartungen führen. Ein Modell kann bei Abruf-Benchmarks beeindruckende Ergebnisse erzielen und dennoch für autonomes Trading, die Bereitstellung von Contracts oder Entscheidungen im Zusammenhang mit der Verwahrung von Vermögenswerten ungeeignet sein.

Die Auswirkungen auf die Sicherheit digitaler Vermögenswerte

KI mit langen Kontexten könnte die Sicherheit im Kryptobereich verbessern, aber auch neue Risiken schaffen.

Ein Modell, das Zugriff auf große Mengen an Wallet-Aktivitäten, vertraulichen Unternehmensdokumenten, Entwicklergesprächen und Betriebsprotokollen hat, könnte zu einem besonders wertvollen Angriffsziel werden. Wenn sensible Informationen an einen externen KI-Dienst übermittelt werden, müssen Nutzer verstehen, wie diese Daten gespeichert, verarbeitet und geschützt werden.

Das ist besonders wichtig bei:

• Seed-Phrasen und privaten Schlüsseln
• Informationen zur Wallet-Wiederherstellung
• Nicht veröffentlichtem Contract-Code
• Treasury-Strategien
• Aufzeichnungen zur Token-Zuteilung
• API-Zugangsdaten von Börsen
• Vertraulichen Berichten zu Sicherheitsvorfällen

Kein KI-Modell sollte die Seed-Phrase oder den privaten Schlüssel einer Wallet erhalten. Hardware-Wallets bleiben wichtig, weil sich die Signierung von Transaktionen von der allgemeinen Softwareumgebung trennen lässt, in der KI-Tools ausgeführt werden.

Für Nutzer, die digitale Vermögenswerte verwalten, kann ein Gerät wie OneKey eine isolierte Signierungsumgebung bereitstellen, während KI-Tools für Recherchen, Dokumentanalysen oder Unterstützung bei der Entwicklung eingesetzt werden. Das Modell kann dabei helfen, eine Transaktion zu erklären oder Protokollinformationen zu vergleichen. Die endgültige Freigabe sollte jedoch weiterhin unter der Kontrolle des Nutzers bleiben und auf einem vertrauenswürdigen Gerät überprüft werden.

Worauf es als Nächstes zu achten gilt

Die Ankündigung von Manta verdeutlicht einen größeren Trend: Der Wettlauf um größere KI-Kontexte wird ebenso wichtig wie der Wettbewerb um eine höhere Zahl von Parametern.

Für den Blockchain-Sektor könnten die wertvollsten Anwendungen in Bereichen entstehen, in denen Informationen sowohl umfangreich als auch eng miteinander verknüpft sind:

• Onchain-Intelligence
• Sicherheit von Smart Contracts
• Analyse der DAO-Governance
• Überwachung von Risiken über mehrere Chains hinweg
• Krypto-Compliance-Recherche
• Lang laufende KI-Programmieragenten
• Due-Diligence-Prüfungen von Protokollen und Token

Die nächste Phase wird von unabhängigen Tests abhängen. Forscher müssen nicht nur untersuchen, wie viele Daten ein Modell aufnehmen kann, sondern auch, ob es diese Daten präzise analysieren, irreführenden Eingaben widerstehen, sensible Informationen schützen und zu Kosten arbeiten kann, die für reale Nutzer sinnvoll sind.

Ein Kontextfenster von 100 Millionen Token ist eine beeindruckende technische Aussage. Es könnte KI-Systemen künftig ermöglichen, Blockchain-Ökosysteme mit deutlich größerer Kontinuität und Tiefe zu verstehen. Solange Architektur, Leistungsfähigkeit und wirtschaftliche Aspekte von Manta jedoch nicht transparenter sind, sollte das System eher als faszinierender Meilenstein der Forschung denn als bewährte Grundlage für autonome Finanzentscheidungen betrachtet werden.

Für Krypto-Nutzer ist die praktische Schlussfolgerung eindeutig: Nutzt KI, um eure Recherchekapazitäten zu erweitern, aber bewahrt private Schlüssel, Transaktionsfreigaben und die letztendliche Verantwortung außerhalb des Modells.