De un millón a 100 millones de tokens: cómo Manta podría ampliar 100 veces la capacidad de la IA para analizar datos de blockchain

El próximo gran avance de la inteligencia artificial quizá no llegue de la mano de un chatbot más grande o un generador de imágenes más rápido. Podría surgir al dotar a los modelos de la capacidad de conservar y analizar mucha más información al mismo tiempo.

El laboratorio alemán de IA Empero ha presentado Manta, un modelo que, según se informa, admite una ventana de entrada de hasta 100 millones de tokens. Si se confirma, esto supondría un aumento espectacular frente a las ventanas de contexto de aproximadamente un millón de tokens disponibles en algunos de los sistemas de IA avanzados actuales.

Para la industria blockchain, este avance podría ser especialmente importante. Los mercados de criptomonedas generan enormes volúmenes de información fragmentada: código de contratos inteligentes, propuestas de gobernanza, informes de auditoría, historiales de transacciones, documentos legales, calendarios de desbloqueo de tokens, debates comunitarios y datos de mercado en tiempo real. Un modelo capaz de procesar todos estos materiales dentro de un mismo contexto podría transformar la forma en que trabajan investigadores, desarrolladores, inversores y equipos de seguridad.

Sin embargo, Manta todavía se encuentra en una fase inicial. Su arquitectura, velocidad, coste y fiabilidad general aún no han sido verificados de forma independiente.

Qué significa el contexto de 100 millones de tokens de Manta

La ventana de contexto de un modelo determina cuánta información puede leer y utilizar en una sola interacción. Cuando el contexto es demasiado reducido, el sistema de IA debe resumir, truncar o descartar el material anterior.

Esta limitación resulta especialmente evidente en tareas prolongadas. Un agente de programación con IA puede comprender el inicio de un proyecto de software, pero perder de vista decisiones importantes después de miles de mensajes. Del mismo modo, un asistente de investigación puede analizar con precisión varios informes y, aun así, fallar cuando las pruebas relevantes se encuentran dispersas en cientos de documentos.

Manta pretende abordar este cuello de botella admitiendo una entrada de aproximadamente 100 millones de tokens. En términos prácticos, esto podría permitir que un sistema analizara:

• Grandes colecciones de informes corporativos
• Amplios repositorios de contratos inteligentes
• Largos debates entre desarrolladores y comunidades de gobernanza
• Historiales de transacciones y registros de eventos de blockchain
• Múltiples informes de auditoría y divulgaciones de vulnerabilidades
• Grandes conjuntos de datos utilizados para analizar tokenómica y riesgos

La diferencia clave no es simplemente tener «más memoria». Una ventana de contexto amplia solo resulta valiosa si el modelo puede recuperar la información adecuada, mantener las relaciones entre detalles alejados entre sí y razonar sobre el conjunto de datos sin que su precisión se deteriore de forma significativa.

Las pruebas de contexto extenso de Empero

Según se informa, Empero probó Manta introduciendo en una sola entrada 1.269 informes anuales y trimestrales de empresas del S&P 500. El material representaba aproximadamente 88 millones de tokens.

A continuación, el equipo insertó 20 señales ocultas en los documentos y pidió al modelo que las localizara. Manta identificó 18 de las 20 señales en la primera prueba.

En un segundo experimento, los investigadores colocaron 50 señales muy similares dentro de un conjunto de datos de aproximadamente 10 millones de tokens. Según los informes, Manta encontró 43 de ellas.

Estos resultados sugieren que Manta puede recuperar información de colecciones documentales de gran tamaño. Sin embargo, no demuestran que el modelo pueda razonar de forma coherente y constante sobre 100 millones de tokens. Encontrar señales colocadas deliberadamente no es lo mismo que comprender el historial de varios años de un protocolo, identificar una vulnerabilidad sutil en un contrato inteligente o determinar si una transacción onchain refleja una actividad legítima.

Esta distinción es importante para las aplicaciones blockchain. Los datos cripto suelen ser ruidosos, repetitivos y estar sujetos a manipulación. Un modelo puede localizar una frase en una propuesta de gobernanza y, aun así, no comprender sus implicaciones económicas. También puede detectar un patrón de transacciones sin reconocer que la dirección pertenece a un creador de mercado, a un contrato puente o a una entidad sancionada.

Por qué la IA con contexto extenso es importante para la investigación cripto

La información de blockchain está especialmente distribuida. Un mismo protocolo puede tener la documentación alojada en un sitio, el código en un repositorio público, la actividad de gobernanza repartida entre varios foros, auditorías realizadas por distintas empresas y datos de transacciones distribuidos en diferentes redes.

A menudo, los investigadores tienen que conectar estas fuentes manualmente. Un modelo con contexto extenso podría ayudar a construir una visión analítica más completa.

1. Una diligencia debida más inteligente sobre los protocolos

Antes de interactuar con un protocolo de finanzas descentralizadas, los usuarios quizá necesiten revisar:

• Los contratos principales
• Los permisos de actualización
• Las dependencias de los oráculos
• Los hallazgos de auditoría
• Los incidentes anteriores
• La distribución de los tokens
• La concentración de la gobernanza
• La liquidez y la exposición a puentes

Un modelo con un contexto muy amplio podría comparar todos estos materiales dentro de un mismo flujo de trabajo, en lugar de tratar cada documento como una tarea aislada.

Esto facilitaría la detección de incoherencias. Por ejemplo, la documentación de un proyecto puede describir un sistema sin permisos, mientras que el código del contrato conserva una función de actualización controlada por un administrador. Un análisis con contexto extenso podría señalar la discrepancia y dirigir al usuario hacia el código o el registro de gobernanza pertinentes.

La IA no debería sustituir a la verificación independiente, pero podría convertirse en una primera capa útil para organizar riesgos complejos de los protocolos.

2. Auditorías más completas de contratos inteligentes

La seguridad de los contratos inteligentes suele depender de las interacciones entre varios archivos, más que de una única función aislada. Una vulnerabilidad puede implicar una llamada externa en un contrato, una suposición relacionada con el control de acceso en otro y una vía de explotación económica que solo se hace visible al analizar el comportamiento de las transacciones.

Una ventana de contexto más amplia podría ayudar a los sistemas de IA a revisar:

• Repositorios completos de contratos
• Configuraciones de despliegue
• Parches históricos
• Informes de auditoría
• Informes enviados a programas de recompensas por errores
• Bases de datos de exploits conocidos
• Propuestas de gobernanza relacionadas

La principal ventaja sería la continuidad. En lugar de comprimir repetidamente un repositorio en breves resúmenes, un agente podría mantener el acceso a la implementación original y a su historial de desarrollo.

Aun así, la capacidad de contexto no equivale a experiencia en seguridad. Un modelo puede pasar por alto una vulnerabilidad incluso cuando tiene disponible todo el código relevante. Cualquier auditoría destinada a producción debería seguir incluyendo pruebas deterministas, verificación formal cuando corresponda y revisiones realizadas por especialistas con experiencia.

3. Un mejor análisis de la gobernanza de las DAO

Las organizaciones autónomas descentralizadas suelen tomar decisiones mediante una combinación de debates en foros, consultas preliminares, votaciones formales, declaraciones de delegados y ejecuciones onchain.

El contexto relevante puede estar repartido a lo largo de meses de debate. Una propuesta que parece sencilla cuando se analiza de forma aislada podría cambiar el perfil de riesgo de un protocolo debido a compromisos, dependencias o modificaciones anteriores.

Un sistema de IA con contexto extenso podría ayudar a los usuarios a responder preguntas como:

• ¿Qué supuestos dieron lugar a la propuesta actual?
• ¿Qué delegados la apoyaron o se opusieron a ella?
• ¿La votación final fue diferente del borrador inicial?
• ¿Qué cambios operativos se producirán después de su ejecución?
• ¿Se había presentado antes una propuesta similar que fracasara o provocara consecuencias inesperadas?

Esto podría mejorar la transparencia para los titulares de tokens que no pueden leer de forma realista todos los hilos de debate y registros de transacciones.

La limitación es que analizar la gobernanza exige algo más que recuperar información. El modelo debe distinguir entre argumentos técnicos, coordinación política, incentivos financieros y afirmaciones especulativas. También debe evitar interpretar la aprobación mayoritaria como una prueba de que la propuesta es segura.

Los agentes de IA y el contexto de programación a largo plazo

Según los informes, Empero también probó Manta con una sesión real de programación asistida por IA que contenía 31.450 mensajes y aproximadamente 7,4 millones de tokens.

El agente de programación original comprimió su contexto histórico en 13 ocasiones porque la conversación superaba su capacidad disponible. Manta pudo procesar el registro completo de una sola vez e intentar predecir la siguiente acción desde cinco puntos diferentes de la sesión.

Esto resulta relevante para el desarrollo blockchain, donde los proyectos suelen implicar largos ciclos de depuración y extensos debates sobre arquitectura. Un desarrollador puede pedir a un agente de IA que trabaje con:

• Contratos en Solidity o Rust
• Baterías de pruebas
• Scripts de despliegue
• Integraciones con el front-end
• Comentarios de auditoría
• Notas de respuesta ante incidentes
• Correcciones anteriores que no funcionaron

Los resúmenes repetidos pueden eliminar detalles que más adelante resulten importantes. Un historial comprimido puede conservar la conclusión final, pero omitir por qué se descartó un diseño concreto. En código sensible desde el punto de vista de la seguridad, la pérdida de ese razonamiento puede llevar al agente a reintroducir una vulnerabilidad anterior.

Una ventana de contexto muy amplia podría hacer que los agentes de programación basados en IA fueran más coherentes a lo largo de proyectos extensos. También podría reducir la necesidad de mantener resúmenes separados sobre el comportamiento de los contratos, los supuestos de despliegue y los riesgos pendientes de resolver.

Pero esta capacidad plantea su propio desafío: cuanto mayor sea el contexto, más difícil puede resultar determinar qué información debe recibir prioridad. Más datos no producen automáticamente mejores decisiones.

Manta todavía no demuestra que estemos ante un avance general

La idea de un modelo con 100 millones de tokens no es completamente nueva. En 2024, Magic anunció LTM-2-mini, un sistema que, según la empresa, podía admitir un tamaño de contexto similar y reducir las exigencias de memoria y computación mediante una arquitectura diferente. Más tarde, Magic reconoció que había afrontado dificultades para escalar el modelo durante el entrenamiento, y el sistema no ha llegado a estar ampliamente disponible para pruebas públicas independientes.

Manta se enfrenta a preguntas similares.

Por ahora, la información disponible públicamente no explica por completo:

• La arquitectura subyacente del modelo
• Su velocidad de procesamiento en situaciones reales
• El hardware necesario para la inferencia
• El coste de cada solicitud con contexto extenso
• Si la precisión se mantiene estable cerca del tamaño máximo de contexto
• Qué tal maneja código, datos estructurados y entradas adversariales
• Si el enfoque puede escalar a modelos más grandes y capaces

Según los informes, Manta solo está disponible para un número limitado de probadores iniciales. Además, los participantes tienen restringido compartir públicamente prompts, resultados y datos de prueba sin autorización. Esto significa que la evaluación independiente sigue siendo limitada.

Para los usuarios de criptomonedas, esta falta de transparencia debería fomentar unas expectativas prudentes. Un modelo puede obtener resultados impresionantes en pruebas de recuperación de información y, aun así, no ser adecuado para operaciones autónomas, despliegues de contratos o decisiones relacionadas con la custodia.

Las implicaciones para la seguridad de los activos digitales

La IA con contexto extenso podría mejorar la seguridad cripto, pero también generar nuevos riesgos.

Un modelo con acceso a grandes volúmenes de actividad de carteras, documentos empresariales privados, conversaciones de desarrolladores y registros operativos podría convertirse en un objetivo de gran valor. Si se envía información sensible a un servicio externo de IA, los usuarios deben entender cómo se almacenan, procesan y protegen esos datos.

Esto resulta especialmente importante en el caso de:

• Frases semilla y claves privadas
• Información de recuperación de carteras
• Código de contratos aún no publicado
• Estrategias de tesorería
• Registros de asignación de tokens
• Credenciales de API de exchanges
• Informes confidenciales sobre incidentes

Ningún modelo de IA debería recibir la frase semilla ni la clave privada de una cartera. Las hardware wallets siguen siendo importantes porque permiten separar la firma de transacciones del entorno de software de propósito general en el que funcionan las herramientas de IA.

Para los usuarios que gestionan activos digitales, un dispositivo como OneKey puede proporcionar un entorno de firma aislado mientras las herramientas de IA se utilizan para investigar, analizar documentos o ayudar en el desarrollo. El modelo puede ayudar a explicar una transacción o comparar información sobre protocolos, pero la aprobación final debe seguir bajo el control del usuario y verificarse en un dispositivo de confianza.

Qué debemos observar a continuación

El anuncio de Manta pone de relieve una tendencia más amplia: la competencia por ampliar el contexto de la IA está adquiriendo una importancia comparable a la carrera por aumentar el número de parámetros.

Para el sector blockchain, las aplicaciones más valiosas podrían surgir en áreas donde la información sea abundante y esté estrechamente interconectada:

• Inteligencia onchain
• Seguridad de contratos inteligentes
• Análisis de la gobernanza de las DAO
• Supervisión de riesgos entre distintas cadenas
• Investigación de cumplimiento normativo en el sector cripto
• Agentes de desarrollo basados en IA capaces de trabajar durante largos periodos
• Diligencia debida sobre protocolos y tokens

La siguiente etapa dependerá de las pruebas independientes. Los investigadores tendrán que evaluar no solo cuántos datos puede ingerir un modelo, sino también si puede razonar con precisión sobre ellos, resistir entradas engañosas, proteger la información sensible y operar a un coste razonable para los usuarios reales.

Una ventana de contexto de 100 millones de tokens es una afirmación técnica impresionante. Con el tiempo, podría ayudar a los sistemas de IA a comprender los ecosistemas blockchain con mucha más continuidad y profundidad. Pero hasta que la arquitectura, el rendimiento y la economía de Manta sean más transparentes, debería considerarse un hito de investigación interesante, no una base probada para tomar decisiones financieras autónomas.

Para los usuarios de criptomonedas, la lección práctica es sencilla: utiliza la IA para ampliar tu capacidad de investigación, pero mantén las claves privadas, la aprobación de las transacciones y la responsabilidad final fuera del modelo.