De 1 million à 100 millions de tokens : comment Manta pourrait multiplier par 100 la capacité de l’IA à comprendre les données de la blockchain

La prochaine grande avancée de l’IA ne viendra peut-être pas d’un chatbot plus imposant ou d’un générateur d’images plus rapide. Elle pourrait plutôt résulter de la capacité donnée aux modèles de conserver et d’analyser beaucoup plus d’informations simultanément.

Le laboratoire allemand d’IA Empero a présenté Manta, un modèle qui prendrait en charge une fenêtre de contexte pouvant atteindre 100 millions de tokens. Si cette capacité se confirmait, elle représenterait une hausse spectaculaire par rapport aux fenêtres de contexte d’environ un million de tokens proposées par certains systèmes d’IA avancés actuels.

Pour l’industrie de la blockchain, cette évolution pourrait revêtir une importance particulière. Les marchés crypto génèrent d’immenses volumes d’informations fragmentées : code de smart contracts, propositions de gouvernance, rapports d’audit, historiques de transactions, documents juridiques, calendriers de déverrouillage de tokens, discussions communautaires et données de marché en temps réel. Un modèle capable de traiter tous ces éléments dans un même contexte pourrait transformer la manière dont travaillent les chercheurs, les développeurs, les investisseurs et les équipes de sécurité.

Manta reste toutefois un système à ses débuts. Son architecture, sa vitesse, son coût et sa fiabilité globale n’ont pas encore été établis de manière indépendante.

Ce que représente une fenêtre de contexte de 100 millions de tokens pour Manta

La fenêtre de contexte d’un modèle détermine la quantité d’informations qu’il peut lire et utiliser au cours d’une même interaction. Lorsque cette fenêtre est trop limitée, le système d’IA doit résumer, tronquer ou abandonner les éléments précédemment fournis.

Cette contrainte est particulièrement visible dans les tâches qui s’étendent sur une longue période. Un agent de programmation peut comprendre le début d’un projet logiciel, puis perdre la trace de décisions importantes après plusieurs milliers de messages. De même, un assistant de recherche peut analyser correctement plusieurs rapports, mais échouer lorsque les éléments pertinents sont dispersés dans des centaines de documents.

Manta cherche à résoudre ce problème en prenant en charge une entrée d’environ 100 millions de tokens. En pratique, cela pourrait permettre à un système d’analyser :

• De vastes ensembles de documents réglementaires et financiers d’entreprises
• D’importants dépôts de smart contracts
• De longues discussions entre développeurs et sur la gouvernance
• Des historiques de transactions blockchain et de journaux d’événements
• Plusieurs rapports d’audit et publications concernant des vulnérabilités
• De vastes jeux de données utilisés pour analyser la tokenomics et les risques

L’enjeu ne se résume toutefois pas à disposer de « plus de mémoire ». Une vaste fenêtre de contexte n’a de valeur que si le modèle est capable de retrouver les bonnes informations, de préserver les liens entre des détails éloignés et de raisonner sur l’ensemble des données sans subir de baisse majeure de précision.

Les tests menés par Empero sur les contextes étendus

Empero aurait testé Manta en plaçant 1 269 rapports annuels et trimestriels d’entreprises du S&P 500 dans une seule entrée. L’ensemble représentait environ 88 millions de tokens.

L’équipe a ensuite dissimulé 20 signaux dans les documents et demandé au modèle de les localiser. Lors du premier test, Manta en a identifié 18 sur 20.

Dans une seconde expérience, les chercheurs ont placé 50 signaux très similaires dans un jeu de données d’environ 10 millions de tokens. Manta en aurait retrouvé 43.

Ces résultats suggèrent que Manta est capable d’extraire des informations à partir de très vastes collections de documents. Ils ne prouvent cependant pas que le modèle puisse mener de manière fiable des raisonnements complexes sur 100 millions de tokens. Retrouver des signaux volontairement insérés est très différent de comprendre l’historique d’un protocole sur plusieurs années, d’identifier une vulnérabilité subtile dans un smart contract ou de déterminer si une transaction onchain correspond à une activité légitime.

Cette distinction est importante pour les applications blockchain. Les données crypto sont souvent bruitées, répétitives et soumises à des tentatives de manipulation. Un modèle peut localiser une phrase dans une proposition de gouvernance tout en comprenant mal ses implications économiques. Il peut repérer une tendance dans les transactions sans réaliser que l’adresse appartient à un teneur de marché, à un contrat de bridge ou à une entité faisant l’objet de sanctions.

Pourquoi l’IA à long contexte est importante pour la recherche crypto

Les informations liées à la blockchain sont particulièrement dispersées. Un même protocole peut avoir sa documentation hébergée à un endroit, son code dans un dépôt public, ses activités de gouvernance sur plusieurs forums, des audits réalisés par différents cabinets et ses données transactionnelles réparties sur plusieurs réseaux.

Les chercheurs doivent souvent relier manuellement toutes ces sources. Un modèle doté d’un long contexte pourrait contribuer à dresser un tableau analytique plus complet.

1. Une due diligence plus intelligente des protocoles

Avant d’interagir avec un protocole de finance décentralisée, les utilisateurs peuvent avoir besoin d’examiner :

• Les contrats principaux
• Les droits de mise à niveau
• Les dépendances aux oracles
• Les conclusions des audits
• Les incidents précédents
• La distribution des tokens
• La concentration de la gouvernance
• L’exposition à la liquidité et aux bridges

Un modèle disposant d’un très vaste contexte pourrait comparer tous ces éléments dans un même processus, au lieu de traiter chaque document comme une tâche indépendante.

Il deviendrait ainsi plus facile de repérer les incohérences. Par exemple, la documentation d’un projet peut présenter le système comme dépourvu d’autorisation, alors que le code conserve une fonction de mise à niveau contrôlée par un administrateur. Une analyse reposant sur un long contexte pourrait signaler cette divergence et orienter l’utilisateur vers le code ou l’enregistrement de gouvernance concerné.

L’IA ne devrait pas remplacer la vérification indépendante, mais elle pourrait devenir une première couche utile pour organiser l’analyse des risques complexes liés aux protocoles.

2. Des audits de smart contracts plus complets

La sécurité des smart contracts dépend souvent des interactions entre plusieurs fichiers plutôt que d’une seule fonction isolée. Une vulnérabilité peut impliquer un appel externe dans un contrat, une hypothèse concernant le contrôle des accès dans un autre et une voie d’exploitation économique qui n’apparaît qu’après l’analyse du comportement des transactions.

Une fenêtre de contexte plus vaste pourrait aider les systèmes d’IA à examiner :

• Des dépôts complets de smart contracts
• Les configurations de déploiement
• Les correctifs historiques
• Les rapports d’audit
• Les signalements soumis dans le cadre de programmes de bug bounty
• Les bases de données consacrées aux exploits connus
• Les propositions de gouvernance associées

Le principal avantage serait la continuité. Au lieu de compresser régulièrement un dépôt en courts résumés, un agent pourrait conserver l’accès à l’implémentation originale et à son historique de développement.

La capacité à traiter davantage de contexte ne constitue toutefois pas une expertise en sécurité. Un modèle peut passer à côté d’une vulnérabilité même lorsque tout le code pertinent est disponible. Tout audit destiné à la production devrait continuer de s’appuyer sur des tests déterministes, sur la vérification formelle lorsque cela est pertinent et sur l’intervention de spécialistes humains expérimentés.

3. Une meilleure analyse de la gouvernance des DAO

Les organisations autonomes décentralisées prennent souvent leurs décisions au moyen d’un ensemble de discussions sur des forums, de consultations préliminaires, de votes formels, de déclarations de délégués et d’exécutions onchain.

Les éléments importants peuvent être dispersés sur plusieurs mois de débats. Une proposition qui semble simple lorsqu’elle est examinée isolément peut modifier le profil de risque d’un protocole en raison d’engagements antérieurs, de dépendances ou d’amendements.

Un système d’IA doté d’un long contexte pourrait aider les utilisateurs à répondre à des questions telles que :

• Quelles hypothèses ont conduit à la proposition actuelle ?
• Quels délégués l’ont soutenue ou rejetée ?
• Le vote final différait-il de la version initiale ?
• Quels changements opérationnels interviendront après l’exécution ?
• Une proposition similaire a-t-elle déjà échoué ou entraîné des conséquences inattendues ?

Cela pourrait améliorer la transparence pour les détenteurs de tokens qui ne sont pas en mesure de lire toutes les discussions et tous les historiques de transactions.

La limite est que l’analyse de la gouvernance ne se résume pas à retrouver des informations. Le modèle doit distinguer les arguments techniques, la coordination politique, les incitations financières et les affirmations spéculatives. Il doit également éviter de considérer l’approbation de la majorité comme une preuve de la sécurité d’une proposition.

Les agents d’IA et le contexte de programmation à long terme

Empero aurait également testé Manta sur une véritable session de programmation assistée par IA comprenant 31 450 messages et environ 7,4 millions de tokens.

L’agent de programmation initial a compressé son historique à 13 reprises, car la conversation dépassait sa capacité disponible. Manta a pu traiter l’intégralité de l’historique en une seule fois et tenter de prédire l’action suivante à partir de cinq moments différents de la session.

Cette capacité est pertinente pour le développement blockchain, qui implique souvent de longs cycles de débogage et de nombreuses discussions d’architecture. Un développeur peut demander à un agent d’IA de travailler sur :

• Des contrats en Solidity ou en Rust
• Des suites de tests
• Des scripts de déploiement
• Des intégrations avec des interfaces front-end
• Les retours d’audit
• Des notes de réponse aux incidents
• Des correctifs précédemment infructueux

Les résumés successifs peuvent supprimer des détails qui deviendront importants par la suite. Un historique compressé peut conserver la conclusion finale, mais omettre les raisons pour lesquelles une architecture donnée a été écartée. Dans du code sensible sur le plan de la sécurité, cette perte de raisonnement peut conduire l’agent à réintroduire une vulnérabilité déjà corrigée.

Une fenêtre de contexte très étendue pourrait rendre les agents de programmation plus cohérents sur les projets de longue durée. Elle pourrait également réduire la nécessité de conserver séparément des résumés sur le comportement des contrats, les hypothèses de déploiement et les risques non résolus.

Cette capacité soulève toutefois son propre défi : plus le contexte est vaste, plus il peut être difficile de déterminer quelles informations doivent être prioritaires. Davantage de données ne conduit pas automatiquement à de meilleures décisions.

Manta ne constitue pas encore la preuve d’une avancée générale

L’idée d’un modèle doté de 100 millions de tokens n’est pas entièrement nouvelle. En 2024, Magic a annoncé LTM-2-mini, un système qui, selon l’entreprise, pouvait prendre en charge une taille de contexte similaire tout en réduisant les besoins en mémoire et en puissance de calcul grâce à une architecture différente. Magic a ensuite reconnu avoir rencontré des difficultés pour faire passer le modèle à l’échelle lors de son entraînement, et le système n’est pas devenu largement accessible à des fins de tests publics indépendants.

Manta soulève des questions similaires.

À ce stade, les informations accessibles au public n’expliquent pas complètement :

• L’architecture sous-jacente du modèle
• Sa vitesse réelle de traitement
• Le matériel nécessaire à l’inférence
• Le coût d’une requête utilisant un long contexte
• La stabilité de la précision lorsque la taille maximale du contexte est presque atteinte
• Sa capacité à traiter du code, des données structurées et des entrées adversariales
• La possibilité de transposer cette approche à des modèles plus grands et plus performants

Manta ne serait actuellement accessible qu’à un nombre limité de premiers testeurs. Ceux-ci ne sont par ailleurs pas autorisés à partager publiquement les prompts, les résultats et les données de test sans permission. L’évaluation indépendante reste donc limitée.

Pour les utilisateurs crypto, ce manque de transparence doit inciter à la prudence. Un modèle peut afficher d’excellentes performances sur des benchmarks de recherche d’informations tout en restant inadapté au trading autonome, au déploiement de contrats ou aux décisions liées à la conservation d’actifs.

Les implications pour la sécurité des actifs numériques

L’IA à long contexte pourrait renforcer la sécurité dans l’univers crypto, mais elle pourrait également créer de nouveaux risques.

Un modèle ayant accès à d’importants volumes d’activité de wallets, de documents professionnels privés, de conversations entre développeurs et de journaux opérationnels pourrait devenir une cible de grande valeur. Si des informations sensibles sont transmises à un service d’IA externe, les utilisateurs doivent comprendre comment ces données sont stockées, traitées et protégées.

Cela concerne notamment :

• Les phrases de récupération et les clés privées
• Les informations de récupération des wallets
• Le code de contrats non publié
• Les stratégies de trésorerie
• Les registres d’allocation de tokens
• Les identifiants d’API d’exchange
• Les rapports confidentiels liés aux incidents

Aucun modèle d’IA ne devrait recevoir la phrase de récupération ou la clé privée d’un wallet. Les hardware wallets restent essentiels, car ils permettent de séparer la signature des transactions de l’environnement logiciel généraliste dans lequel fonctionnent les outils d’IA.

Pour les utilisateurs qui gèrent des actifs numériques, un appareil tel que OneKey peut fournir un environnement de signature isolé, tandis que les outils d’IA sont utilisés pour la recherche, l’analyse documentaire ou l’assistance au développement. Le modèle peut aider à expliquer une transaction ou à comparer des informations sur des protocoles, mais l’approbation finale doit rester sous le contrôle de l’utilisateur et être vérifiée sur un appareil de confiance.

Les prochaines étapes à surveiller

L’annonce de Manta met en lumière une tendance plus large : la course à l’augmentation de la capacité de contexte de l’IA devient aussi importante que la course à l’augmentation du nombre de paramètres.

Pour le secteur de la blockchain, les applications les plus utiles pourraient apparaître dans les domaines où les informations sont à la fois très volumineuses et fortement interconnectées :

• L’analyse onchain
• La sécurité des smart contracts
• L’analyse de la gouvernance des DAO
• La surveillance des risques cross-chain
• La recherche en matière de conformité crypto
• Les agents de développement basés sur l’IA opérant sur de longues périodes
• La due diligence des protocoles et des tokens

La prochaine étape dépendra de tests indépendants. Les chercheurs devront évaluer non seulement la quantité de données qu’un modèle peut ingérer, mais aussi sa capacité à raisonner correctement sur ces données, à résister aux entrées trompeuses, à protéger les informations sensibles et à fonctionner à un coût raisonnable pour les utilisateurs réels.

Une fenêtre de contexte de 100 millions de tokens constitue une affirmation technique impressionnante. À terme, elle pourrait aider les systèmes d’IA à comprendre les écosystèmes blockchain avec beaucoup plus de continuité et de profondeur. Toutefois, tant que l’architecture, les performances et le modèle économique de Manta ne seront pas plus transparents, il convient de considérer cette technologie comme une étape de recherche prometteuse, et non comme une base éprouvée pour prendre des décisions financières autonomes.

Pour les utilisateurs crypto, la leçon pratique est simple : utilisez l’IA pour élargir vos capacités de recherche, mais gardez les clés privées, l’approbation des transactions et la responsabilité finale en dehors du modèle.