De Um Milhão a 100 Milhões de Tokens: Como a Manta Pode Ampliar em 100 Vezes a Visão da IA sobre os Dados de Blockchain

O próximo grande avanço da IA talvez não venha de um chatbot maior ou de um gerador de imagens mais rápido. Ele pode surgir da capacidade de dar aos modelos condições de reter e analisar muito mais informações de uma só vez.

O laboratório alemão de IA Empero apresentou a Manta, um modelo que, segundo relatos, oferece uma janela de entrada de até 100 milhões de tokens. Se essa capacidade for confirmada, representará um aumento expressivo em relação às janelas de contexto de aproximadamente um milhão de tokens disponíveis em alguns dos sistemas avançados de IA atuais.

Para a indústria de blockchain, esse desenvolvimento pode ser especialmente importante. Os mercados de criptomoedas geram volumes enormes de informações fragmentadas: código de contratos inteligentes, propostas de governança, relatórios de auditoria, históricos de transações, documentos jurídicos, cronogramas de desbloqueio de tokens, discussões da comunidade e dados de mercado em tempo real. Um modelo capaz de processar todo esse material dentro de um único contexto poderia transformar a forma como pesquisadores, desenvolvedores, investidores e equipes de segurança trabalham.

No entanto, a Manta ainda é um sistema em estágio inicial. Sua arquitetura, velocidade, custo e confiabilidade geral ainda não foram estabelecidos de forma independente.

O Que Significa a Janela de Contexto de 100 Milhões de Tokens da Manta

A janela de contexto de um modelo determina quanta informação ele consegue ler e utilizar em uma única interação. Quando o contexto é pequeno demais, o sistema de IA precisa resumir, truncar ou descartar materiais anteriores.

Essa limitação fica especialmente evidente em tarefas de longa duração. Um agente de programação com IA pode compreender o início de um projeto de software, mas perder de vista decisões importantes depois de milhares de mensagens. Um assistente de pesquisa pode analisar vários relatórios com precisão, mas falhar quando as evidências relevantes estão espalhadas por centenas de documentos.

A Manta pretende enfrentar esse gargalo ao oferecer uma entrada de aproximadamente 100 milhões de tokens. Na prática, isso poderia permitir que um sistema analisasse:

• Grandes coleções de documentos corporativos
• Repositórios extensos de contratos inteligentes
• Discussões prolongadas entre desenvolvedores e comunidades de governança
• Transações históricas de blockchain e registros de eventos
• Vários relatórios de auditoria e divulgações de vulnerabilidades
• Grandes conjuntos de dados utilizados em análises de tokenomics e risco

A principal diferença não está simplesmente em ter “mais memória”. Uma janela de contexto ampla só se torna realmente valiosa se o modelo conseguir recuperar as informações certas, preservar as relações entre detalhes distantes e raciocinar sobre todo o conjunto de dados sem uma queda significativa de precisão.

Os Testes de Contexto Longo da Empero

Segundo relatos, a Empero testou a Manta inserindo 1.269 relatórios anuais e trimestrais de empresas do S&P 500 em uma única entrada. O material correspondia a aproximadamente 88 milhões de tokens.

Em seguida, a equipe inseriu 20 sinais ocultos nos documentos e pediu ao modelo que os localizasse. No primeiro teste, a Manta identificou 18 dos 20 sinais.

Em um segundo experimento, os pesquisadores colocaram 50 sinais muito semelhantes dentro de um conjunto de dados de aproximadamente 10 milhões de tokens. Segundo os relatos, a Manta encontrou 43 deles.

Esses resultados sugerem que a Manta consegue recuperar informações em coleções documentais muito extensas. Eles não provam, porém, que o modelo seja capaz de realizar de forma consistente tarefas complexas de raciocínio sobre 100 milhões de tokens. Encontrar sinais inseridos deliberadamente é diferente de compreender o histórico de vários anos de um protocolo, identificar uma vulnerabilidade sutil em um contrato inteligente ou determinar se uma transação onchain representa uma atividade legítima.

Para aplicações em blockchain, essa distinção é importante. Os dados de criptoativos costumam ser ruidosos, repetitivos e sujeitos a manipulação. Um modelo pode localizar uma frase em uma proposta de governança, mas ainda assim interpretar mal suas implicações econômicas. Também pode encontrar um padrão de transações sem perceber que o endereço pertence a um formador de mercado, a um contrato de bridge ou a uma entidade sancionada.

Por Que a IA de Contexto Longo é Importante para a Pesquisa em Cripto

As informações de blockchain são particularmente distribuídas. Um único protocolo pode ter sua documentação hospedada em um local, seu código em um repositório público, sua atividade de governança em vários fóruns, auditorias realizadas por diferentes empresas e dados de transações espalhados por diversas redes.

Os pesquisadores muitas vezes precisam conectar essas fontes manualmente. Um modelo com contexto longo poderia ajudar a construir uma visão analítica mais completa.

1. Due Diligence Mais Inteligente de Protocolos

Antes de interagir com um protocolo de finanças descentralizadas, os usuários podem precisar analisar:

• Os contratos principais
• As permissões de atualização
• As dependências de oráculos
• As conclusões das auditorias
• Incidentes anteriores
• A distribuição dos tokens
• A concentração da governança
• A exposição a riscos de liquidez e bridges

Um modelo com uma janela de contexto muito ampla poderia comparar todos esses materiais em um único fluxo de trabalho, em vez de tratar cada documento como uma tarefa isolada.

Isso poderia facilitar a identificação de inconsistências. Por exemplo, a documentação de um projeto pode descrever um sistema permissionless, enquanto o código do contrato mantém uma função de atualização controlada por um administrador. Uma análise com contexto longo poderia sinalizar essa discrepância e direcionar o usuário ao código ou registro de governança relevante.

A IA não deve substituir a verificação independente, mas pode se tornar uma primeira camada útil para organizar riscos complexos de protocolos.

2. Auditorias Mais Completas de Contratos Inteligentes

A segurança de contratos inteligentes muitas vezes depende das interações entre arquivos, e não de uma única função isolada. Uma vulnerabilidade pode envolver uma chamada externa em um contrato, uma premissa de controle de acesso em outro e uma possibilidade de exploração econômica que só se torna visível quando o comportamento das transações é levado em consideração.

Uma janela de contexto maior poderia ajudar os sistemas de IA a revisar:

• Repositórios completos de contratos
• Configurações de implantação
• Patches históricos
• Relatórios de auditoria
• Relatos enviados a programas de bug bounty
• Bancos de dados de exploits conhecidos
• Propostas de governança relacionadas

O principal benefício seria a continuidade. Em vez de compactar repetidamente um repositório em resumos curtos, um agente poderia manter acesso à implementação original e ao histórico de desenvolvimento.

Ainda assim, capacidade de contexto não é sinônimo de conhecimento especializado em segurança. Um modelo pode deixar passar uma vulnerabilidade mesmo quando todo o código relevante está disponível. Qualquer auditoria em produção deve continuar envolvendo testes determinísticos, verificação formal quando apropriado e revisores humanos experientes.

3. Análises Mais Precisas da Governança de DAOs

As organizações autônomas descentralizadas geralmente tomam decisões por meio de uma combinação de discussões em fóruns, consultas preliminares, votações formais, declarações de delegados e execução onchain.

O contexto importante pode estar espalhado por meses de debate. Uma proposta que parece simples quando analisada isoladamente pode alterar o perfil de risco de um protocolo por causa de compromissos, dependências ou alterações anteriores.

Um sistema de IA com contexto longo poderia ajudar os usuários a responder perguntas como:

• Quais premissas levaram à proposta atual?
• Quais delegados a apoiaram ou se opuseram a ela?
• A votação final foi diferente da versão inicial?
• Quais mudanças operacionais ocorrerão após a execução?
• Uma proposta semelhante já foi rejeitada ou causou consequências inesperadas?

Isso pode melhorar a transparência para detentores de tokens que não conseguem, na prática, ler todas as discussões e registros de transações.

A limitação é que analisar governança exige mais do que recuperar informações. O modelo precisa distinguir entre argumentos técnicos, coordenação política, incentivos financeiros e alegações especulativas. Também deve evitar tratar a aprovação da maioria como prova de que uma proposta é segura.

Agentes de IA e Contexto de Programação de Longo Prazo

Segundo relatos, a Empero também testou a Manta usando uma sessão real de programação com IA contendo 31.450 mensagens e aproximadamente 7,4 milhões de tokens.

O agente de programação original compactou seu contexto histórico 13 vezes porque a conversa excedia sua capacidade disponível. A Manta conseguiu processar todo o registro de uma só vez e tentou prever a próxima ação a partir de cinco pontos diferentes da sessão.

Isso é relevante para o desenvolvimento em blockchain, no qual os projetos frequentemente envolvem longos ciclos de depuração e extensas discussões arquiteturais. Um desenvolvedor pode pedir a um agente de IA que trabalhe com:

• Contratos em Solidity ou Rust
• Suítes de testes
• Scripts de implantação
• Integrações com front-end
• Feedback de auditorias
• Anotações de resposta a incidentes
• Correções anteriores que não funcionaram

Resumos repetidos podem remover detalhes que mais tarde se tornam importantes. Um histórico compactado pode preservar a conclusão final, mas omitir por que determinado projeto foi rejeitado. Em códigos sensíveis do ponto de vista da segurança, esse raciocínio ausente pode levar um agente a reintroduzir uma vulnerabilidade anterior.

Uma janela de contexto muito ampla poderia tornar os agentes de programação com IA mais consistentes em projetos longos. Também poderia reduzir a necessidade de manter resumos separados sobre o comportamento dos contratos, as premissas de implantação e os riscos ainda não resolvidos.

Mas essa capacidade traz seu próprio desafio: quanto maior o contexto, mais difícil pode ser determinar quais informações merecem prioridade. Mais dados não produzem decisões melhores automaticamente.

A Manta Ainda Não é Prova de um Avanço Geral

A ideia de um modelo com 100 milhões de tokens não é totalmente nova. Em 2024, a Magic anunciou a LTM-2-mini, um sistema que, segundo a empresa, poderia oferecer um tamanho de contexto semelhante, reduzindo as exigências de memória e processamento por meio de uma arquitetura diferente. Mais tarde, a Magic reconheceu dificuldades para escalar o modelo durante o treinamento, e o sistema não se tornou amplamente disponível para testes públicos independentes.

A Manta enfrenta questões semelhantes.

Até o momento, as informações disponíveis publicamente não explicam completamente:

• A arquitetura subjacente do modelo
• Sua velocidade de processamento no mundo real
• O hardware necessário para a inferência
• O custo de cada solicitação com contexto longo
• Se a precisão permanece estável perto do tamanho máximo de contexto
• Como ele lida com código, dados estruturados e entradas adversariais
• Se a abordagem pode ser ampliada para modelos maiores e mais capazes

Segundo os relatos, a Manta está disponível apenas para um número limitado de primeiros testadores. Os participantes também estão proibidos de compartilhar publicamente prompts, resultados e dados de teste sem autorização. Isso significa que a avaliação independente continua limitada.

Para os usuários de criptoativos, essa falta de transparência deve estimular expectativas cautelosas. Um modelo pode apresentar um desempenho impressionante em benchmarks de recuperação de informações e, ainda assim, ser inadequado para negociação autônoma, implantação de contratos ou decisões relacionadas à custódia.

As Implicações de Segurança para os Ativos Digitais

A IA com contexto longo pode melhorar a segurança no setor cripto, mas também pode criar novos riscos.

Um modelo com acesso a grandes volumes de atividades de carteiras, documentos empresariais privados, conversas entre desenvolvedores e registros operacionais poderia se tornar um alvo de alto valor. Se informações sensíveis forem enviadas a um serviço externo de IA, os usuários precisam entender como esses dados são armazenados, processados e protegidos.

Isso é particularmente importante no caso de:

• Frases-semente e chaves privadas
• Informações de recuperação de carteiras
• Código de contratos ainda não publicado
• Estratégias de tesouraria
• Registros de alocação de tokens
• Credenciais de APIs de exchanges
• Relatórios confidenciais de incidentes

Nenhum modelo de IA deve receber a frase-semente ou a chave privada de uma carteira. As hardware wallets continuam sendo importantes porque permitem separar a assinatura de transações do ambiente de software de uso geral no qual as ferramentas de IA operam.

Para usuários que gerenciam ativos digitais, um dispositivo como a OneKey pode oferecer um ambiente isolado para assinatura, enquanto as ferramentas de IA são utilizadas em pesquisas, análises de documentos ou assistência ao desenvolvimento. O modelo pode ajudar a explicar uma transação ou comparar informações sobre protocolos, mas a aprovação final deve permanecer sob controle do usuário e ser verificada em um dispositivo confiável.

O Que Acompanhar a Seguir

O anúncio da Manta destaca uma tendência mais ampla: a disputa para ampliar o contexto da IA está se tornando tão importante quanto a competição para aumentar o número de parâmetros.

Para o setor de blockchain, as aplicações mais valiosas podem surgir em áreas nas quais as informações são volumosas e altamente interconectadas:

• Inteligência onchain
• Segurança de contratos inteligentes
• Análise da governança de DAOs
• Monitoramento de riscos entre diferentes blockchains
• Pesquisa de conformidade no setor cripto
• Agentes de IA para desenvolvimento de longo prazo
• Due diligence de protocolos e tokens

A próxima etapa dependerá de testes independentes. Os pesquisadores precisarão avaliar não apenas a quantidade de dados que um modelo consegue processar, mas também se ele consegue raciocinar com precisão sobre essas informações, resistir a entradas enganosas, proteger dados sensíveis e operar a um custo viável para usuários reais.

Uma janela de contexto de 100 milhões de tokens é uma alegação técnica impressionante. No futuro, ela poderá ajudar os sistemas de IA a compreender os ecossistemas de blockchain com muito mais continuidade e profundidade. Mas, até que a arquitetura, o desempenho e a economia da Manta sejam mais transparentes, ela deve ser vista como um marco de pesquisa interessante, e não como uma base comprovada para decisões financeiras autônomas.

Para os usuários de criptoativos, a lição prática é simples: use a IA para ampliar sua capacidade de pesquisa, mas mantenha as chaves privadas, a aprovação de transações e a responsabilidade final fora do modelo.