从一百万到一亿个 Token：Manta 如何将 AI 对区块链数据的观察范围扩大 100 倍

AI 的下一次重大突破，可能不会来自更大的聊天机器人或更快的图像生成器，而可能来自让模型能够同时保留和分析更多信息。

德国 AI 实验室 Empero 推出了 Manta。据报道，该模型支持最高达 1 亿个 Token 的输入窗口。如果这一点得到证实，这将意味着其上下文容量相比当今部分先进 AI 系统所支持的约百万个 Token，将实现大幅提升。

对于区块链行业而言，这一进展可能尤其重要。加密市场会产生海量且碎片化的信息，包括智能合约代码、治理提案、审计报告、交易历史、法律文件、代币解锁计划、社区讨论以及实时市场数据。能够在单一上下文中处理所有这些材料的模型，可能会改变研究人员、开发者、投资者和安全团队的工作方式。

不过，Manta 目前仍处于早期阶段。它的架构、速度、成本以及整体可靠性，尚未得到独立验证。

Manta 的一亿 Token 上下文意味着什么

模型的上下文窗口决定了它在一次交互中能够读取和使用多少信息。当上下文窗口过小时，AI 系统就必须对较早的材料进行总结、截断或舍弃。

这一限制在长期运行的任务中尤其明显。AI 编程代理可能理解一个软件项目的开端，却在数千条消息之后忘记重要决策。一名研究助理也许能够准确分析几份报告，但当相关证据分散在数百份文件中时，就可能无法胜任。

Manta 旨在通过支持约 1 亿个 Token 的输入，解决这一瓶颈。实际应用中，这可能使系统能够分析：

• 大量公司申报文件
• 庞大的智能合约代码库
• 长期持续的开发者与治理讨论
• 历史区块链交易和事件日志
• 多份审计报告与漏洞披露文件
• 用于代 token 经济学和风险分析的大型数据集

关键区别并不只是「拥有更多记忆」。只有当模型能够检索正确的信息、保留相距甚远的细节之间的关联，并在分析整个数据集时避免准确率大幅下降时，大型上下文窗口才真正具有价值。

Empero 的长上下文测试

据报道，Empero 对 Manta 进行了测试，将 1,269 份标普 500 指数成分公司的年度报告和季度报告 放入单个输入中。这些材料总计约 8,800 万个 Token。

随后，研究团队在这些文件中插入了 20 个隐藏信号，并要求模型找出它们。Manta 在第一次测试中识别出了其中 20 个信号中的 18 个。

在第二项实验中，研究人员将 50 个高度相似的信号放入一个约 1,000 万个 Token 的数据集中。据报道，Manta 找出了其中 43 个。

这些结果表明，Manta 能够从超大规模文件集合中检索信息。不过，这并不能证明该模型能够始终如一地对 1 亿个 Token 的内容进行复杂推理。寻找刻意植入的信号，与理解一个协议多年的发展历史、识别细微的智能合约漏洞，或判断一笔链上交易是否反映了正常活动，是完全不同的任务。

对于区块链应用而言，这一区别非常重要。加密数据往往充满噪声、重复信息，并且具有对抗性。模型可能在一份治理提案中找到某个词组，却仍然无法理解其经济影响；它也可能发现某种交易模式，却无法识别相关地址属于做市商、跨链桥合约或受制裁实体。

为什么长上下文 AI 对加密研究很重要

区块链信息的分布极其分散。一个协议的文档可能托管在某个位置，代码存放在公共代码库中，治理活动分散于多个论坛，审计报告来自多家机构，而交易数据则分布在不同网络上。

研究人员往往需要手动连接这些信息来源。长上下文模型有望帮助他们构建更加完整的分析图景。

1. 更智能的协议尽职调查

在与去中心化金融协议交互之前，用户可能需要审查：

• 核心合约
• 升级权限
• 预言机依赖关系
• 审计发现
• 过往事件
• 代币分配
• 治理权集中程度
• 流动性及跨链桥敞口

拥有超大上下文的模型，可以在一个工作流中比较这些材料，而不是把每份文档当作彼此孤立的任务。

这可能让识别不一致之处变得更加容易。例如，某个项目的文档可能将系统描述为无需许可，但合约代码中却保留着由管理员控制的升级函数。长上下文分析可以标记出这一差异，并引导用户查看相关代码或治理记录。

AI 不应取代独立验证，但它可能成为整理复杂协议风险的有用第一层工具。

2. 更完整的智能合约审计

智能合约安全往往取决于不同文件之间的交互，而不是某个孤立函数本身。一个漏洞可能涉及某份合约中的外部调用、另一份合约中的访问控制假设，以及只有在考虑交易行为后才会显现的经济攻击路径。

更大的上下文窗口可以帮助 AI 系统审查：

• 完整的合约代码仓库
• 部署配置
• 历史补丁
• 审计报告
• 漏洞赏金提交记录
• 已知漏洞利用数据库
• 相关治理提案

其主要优势在于连续性。代理不必反复将代码仓库压缩成简短摘要，而是可以持续访问原始实现及其开发历史。

不过，上下文容量并不等同于安全专业能力。即使所有相关代码都已提供给模型，模型仍可能忽略某个漏洞。任何生产环境中的审计都应继续结合确定性测试、在适当情况下进行形式化验证，以及经验丰富的人类审查人员。

3. 更好的 DAO 治理分析

去中心化自治组织通常通过论坛讨论、温度检查、正式投票、代表声明以及链上执行等多种方式共同做出决策。

重要背景信息可能分散在数月的讨论中。一项单独看来十分直接的提案，可能因为此前的承诺、依赖关系或修订内容而改变协议的风险状况。

长上下文 AI 系统可以帮助用户回答以下问题：

• 当前提案是在什么假设的基础上形成的？
• 哪些代表支持或反对该提案？
• 最终投票结果是否不同于最初草案？
• 执行后将发生哪些运营层面的变化？
• 过去是否有类似提案失败，或导致过意料之外的后果？

这可能提高代币持有者的透明度，因为他们实际上不可能阅读每一条讨论帖和交易记录。

其局限在于，治理分析所需的不只是信息检索。模型必须区分技术论点、政治协调、经济激励和投机性主张。它还必须避免将多数通过视为提案安全的证明。

AI 代理与长期编程上下文

据报道，Empero 还使用一场包含 31,450 条消息、约 740 万个代币的真实 AI 编程会话对 Manta 进行了测试。

由于对话超出了原有系统的可用容量，最初的编程代理曾 13 次压缩其历史上下文。Manta 则能够一次性处理完整记录，并尝试从会话中的五个不同时间点预测下一步操作。

这与区块链开发密切相关，因为相关项目往往涉及漫长的调试周期和大量架构讨论。开发者可能会要求 AI 代理同时处理以下内容：

• Solidity 或 Rust 合约
• 测试套件
• 部署脚本
• 前端集成
• 审计反馈
• 事件响应记录
• 之前失败的修复方案

反复总结可能会删除后来变得重要的细节。压缩后的历史记录或许能够保留最终结论，却省略某项设计为何被否决的原因。在安全敏感型代码中，缺失的推理过程可能导致智能体重新引入此前的漏洞。

超大的上下文窗口可能让 AI 编程智能体在长期项目中保持更高的一致性。它还可能减少维护独立摘要的需求，例如合约行为、部署假设以及尚未解决的风险等。

但这种能力也带来了自身的挑战：上下文越大，越难判断哪些信息应当优先处理。信息更多，并不一定会带来更好的决策。

Manta 尚不足以证明实现了通用性突破

1000 万词元模型的想法并非完全新颖。2024 年，Magic 宣布推出 LTM-2-mini，并表示该系统能够支持类似规模的上下文，同时通过不同的架构降低内存和计算需求。Magic 后来承认，在训练过程中扩展该模型面临挑战，而且该系统尚未广泛开放供公众进行独立测试。

Manta 面临着类似的问题。

目前，公开信息尚未充分解释以下内容：

• 模型的底层架构
• 实际处理速度
• 推理所需的硬件
• 长上下文请求的单次成本
• 在接近最大上下文规模时，准确率能否保持稳定
• 处理代码、结构化数据和对抗性输入的能力
• 这种方法能否扩展到规模更大、能力更强的模型

据报道，Manta 目前仅向数量有限的早期测试者开放。未经许可，参与者也不得公开分享提示词、输出结果和测试数据。这意味着独立评估仍然受到限制。

对于加密用户而言，这种缺乏透明度的情况应当促使人们保持审慎预期。某个模型可能在信息检索基准测试中表现出色，但仍不适合用于自主交易、合约部署或托管相关决策。

对数字资产的安全影响

长上下文 AI 可能提升加密领域的安全性，但也可能带来新的风险。

一个能够访问大量钱包活动记录、私密商业文件、开发者对话和运营日志的模型，可能成为高价值攻击目标。如果敏感信息被发送至外部 AI 服务，用户必须了解这些数据将如何存储、处理和保护。

以下信息尤其需要注意：

• 助记词和私钥
• 钱包恢复信息
• 尚未发布的合约代码
• 资金库策略
• 代币分配记录
• 交易所 API 凭证
• 机密事件报告

任何 AI 模型都不应接收钱包的助记词或私钥。硬件钱包仍然十分重要，因为它能够将交易签名与 AI 工具运行所在的通用软件环境分离开来。

对于管理数字资产的用户而言，OneKey 等设备可以提供隔离的签名环境，同时允许用户使用 AI 工具进行研究、文档分析或开发辅助。模型可以帮助解释交易或比较协议信息，但最终批准权仍应掌握在用户手中，并且应在可信设备上完成验证。

接下来值得关注的事项

Manta 的发布凸显出一个更广泛的趋势：扩展 AI 上下文的竞争，正变得与增加参数数量的竞争同等重要。

对于区块链行业而言，最有价值的应用可能会出现在那些信息规模庞大且高度互联的领域：

• 链上智能分析
• 智能合约安全
• DAO 治理分析
• 跨链风险监测
• 加密合规研究
• 长期运行的 AI 开发者智能体
• 协议与代币尽职调查

下一阶段将取决于独立测试。研究人员不仅需要评估模型能够摄入多少数据，还需要考察它能否基于这些数据进行准确推理、抵御误导性输入、保护敏感信息，并以对真实用户而言合理的成本运行。

100 million 个 token 的上下文窗口是一项令人印象深刻的技术主张。它最终可能帮助 AI 系统以更强的连续性和更深的理解力来分析区块链生态系统。但在 Manta 的架构、性能和经济性更加透明之前，我们应将其视为一个耐人寻味的研究里程碑，而不是自主进行金融决策的经验证基础。

对于加密货币用户而言，实际启示很简单：利用 AI 扩展研究能力，但应将私钥、交易批准权以及最终责任置于模型之外。