От одного миллиона до 100 миллионов токенов: как Manta может в 100 раз расширить представление ИИ о данных блокчейна

Следующий крупный прорыв в области ИИ может быть связан не с созданием ещё более крупного чат-бота или более быстрого генератора изображений. Возможно, он произойдёт благодаря способности моделей одновременно хранить и анализировать гораздо больший объём информации.

Немецкая лаборатория искусственного интеллекта Empero представила Manta — модель, которая, согласно сообщениям, поддерживает входное контекстное окно объёмом до 100 миллионов токенов. Если эти данные подтвердятся, это станет резким скачком по сравнению с контекстными окнами примерно на миллион токенов, доступными некоторым современным продвинутым ИИ-системам.

Для блокчейн-индустрии такое развитие может иметь особое значение. Крипторынки генерируют огромные объёмы разрозненной информации: код смарт-контрактов, предложения по управлению, аудиторские отчёты, историю транзакций, юридические документы, графики разблокировки токенов, обсуждения в сообществах и рыночные данные в реальном времени. Модель, способная обрабатывать все эти материалы в рамках одного контекста, может изменить подход к работе исследователей, разработчиков, инвесторов и специалистов по безопасности.

Однако Manta всё ещё находится на ранней стадии развития. Её архитектура, скорость работы, стоимость и общая надёжность пока не получили независимого подтверждения.

Что означает контекст на 100 миллионов токенов в Manta

Контекстное окно модели определяет, какой объём информации она может прочитать и использовать в рамках одного взаимодействия. Если контекст слишком мал, ИИ-система вынуждена обобщать, сокращать или отбрасывать более ранние материалы.

Особенно заметно это ограничение в длительных задачах. ИИ-агент для программирования может понимать начало проекта, но после тысяч сообщений потерять из виду важные решения. Исследовательский помощник может точно проанализировать несколько отчётов, но столкнуться с трудностями, если нужные сведения разбросаны по сотням документов.

Manta призвана устранить это ограничение за счёт поддержки входного контекста объёмом примерно 100 миллионов токенов. На практике это может позволить системе анализировать:

• Большие массивы корпоративной отчётности
• Обширные репозитории смарт-контрактов
• Длительные обсуждения разработчиков и участников управления
• Исторические транзакции и журналы событий блокчейна
• Несколько аудиторских отчётов и раскрытий информации об уязвимостях
• Крупные наборы данных для анализа токеномики и рисков

Ключевое значение имеет не просто «больше памяти». Большое контекстное окно становится действительно полезным лишь в том случае, если модель умеет находить нужную информацию, сохранять связи между удалёнными друг от друга деталями и рассуждать по всему набору данных без существенного падения точности.

Тесты Empero на длинном контексте

Согласно сообщениям, Empero протестировала Manta, загрузив в один входной запрос 1269 годовых и квартальных отчётов компаний из индекса S&P 500. Объём материалов составил примерно 88 миллионов токенов.

Затем команда разместила в документах 20 скрытых сигналов и попросила модель найти их. В ходе первого теста Manta обнаружила 18 из 20 сигналов.

Во втором эксперименте исследователи разместили 50 очень похожих сигналов в наборе данных объёмом около 10 миллионов токенов. Как сообщается, Manta нашла 43 из них.

Эти результаты указывают на то, что Manta способна извлекать информацию из очень крупных коллекций документов. Однако они не доказывают, что модель стабильно справляется со сложными рассуждениями по массиву объёмом 100 миллионов токенов. Поиск специально размещённых сигналов — это не то же самое, что понимание многолетней истории протокола, обнаружение неочевидной уязвимости в смарт-контракте или определение того, отражает ли транзакция легитимную активность.

Для блокчейн-приложений это различие имеет большое значение. Криптоданные часто бывают зашумлёнными, повторяющимися и намеренно вводящими в заблуждение. Модель может найти нужную фразу в предложении по управлению, но неправильно понять её экономические последствия. Она способна обнаружить определённый шаблон транзакций, но не распознать, что адрес принадлежит маркетмейкеру, мостовому контракту или подсанкционной организации.

Почему ИИ с длинным контекстом важен для криптоисследований

Блокчейн-информация необычайно распределена. Документация одного протокола может находиться на одном сайте, код — в публичном репозитории, обсуждения по управлению — сразу на нескольких форумах, аудиторские отчёты — у разных компаний, а данные о транзакциях — в разных сетях.

Исследователям часто приходится вручную связывать все эти источники. Модель с длинным контекстом могла бы помочь сформировать более целостное аналитическое представление.

1. Более глубокая проверка протоколов

Перед взаимодействием с протоколом децентрализованных финансов пользователям может потребоваться изучить:

• Основные контракты
• Полномочия на обновление
• Зависимости от оракулов
• Результаты аудитов
• Предыдущие инциденты
• Распределение токенов
• Концентрацию управления
• Ликвидность и зависимость от мостов

Модель с очень большим контекстом могла бы сопоставлять эти материалы в рамках одного рабочего процесса, а не рассматривать каждый документ как отдельную задачу.

Это облегчило бы выявление несоответствий. Например, в документации проекта может быть заявлена система без разрешений, тогда как в коде контракта сохраняется функция обновления, контролируемая администратором. Анализ с длинным контекстом мог бы отметить такое расхождение и указать пользователю на соответствующий фрагмент кода или запись в системе управления.

ИИ не должен заменять самостоятельную проверку, однако он может стать полезным первым уровнем организации сложной информации о рисках протокола.

2. Более полный аудит смарт-контрактов

Безопасность смарт-контрактов часто зависит от взаимодействия между файлами, а не от одной изолированной функции. Уязвимость может быть связана с внешним вызовом в одном контракте, допущением относительно контроля доступа в другом и экономическим сценарием атаки, который становится очевидным только при анализе поведения транзакций.

Большее контекстное окно могло бы помочь ИИ-системам проверять:

• Целые репозитории контрактов
• Конфигурации развёртывания
• Историю исправлений
• Аудиторские отчёты
• Сообщения в рамках программ поиска уязвимостей
• Базы данных известных эксплойтов
• Связанные предложения по управлению

Главное преимущество здесь — непрерывность. Вместо того чтобы постоянно сжимать репозиторий до коротких резюме, агент мог бы сохранять доступ к исходной реализации и истории её разработки.

Тем не менее объём контекста не равен экспертизе в области безопасности. Модель может не заметить уязвимость даже в том случае, если у неё есть доступ ко всему необходимому коду. Поэтому любой аудит, предназначенный для использования в продакшене, по-прежнему должен включать детерминированное тестирование, формальную верификацию там, где она уместна, и проверку опытными специалистами.

3. Более качественный анализ управления DAO

Децентрализованные автономные организации часто принимают решения через сочетание обсуждений на форумах, предварительных голосований, официальных голосований, заявлений делегатов и исполнения решений в блокчейне.

Важный контекст может быть разбросан по обсуждениям, растянувшимся на несколько месяцев. Предложение, которое само по себе выглядит простым, способно изменить профиль риска протокола из-за прежних обязательств, зависимостей или внесённых поправок.

ИИ-система с длинным контекстом могла бы помочь пользователям ответить на такие вопросы, как:

• Какие предположения привели к появлению текущего предложения?
• Какие делегаты поддержали его, а какие выступили против?
• Отличалось ли итоговое голосование от первоначального проекта?
• Какие операционные изменения произойдут после исполнения решения?
• Проваливалось ли ранее похожее предложение или не приводило ли оно к неожиданным последствиям?

Это может повысить прозрачность для держателей токенов, которые физически не способны прочитать каждую ветку обсуждений и каждую запись о транзакциях.

Ограничение заключается в том, что анализ управления требует не только поиска информации. Модель должна различать технические аргументы, политическую координацию, финансовые стимулы и спекулятивные утверждения. Кроме того, ей нельзя считать одобрение большинством доказательством безопасности предложения.

ИИ-агенты и долгосрочный контекст разработки

Как сообщается, Empero также протестировала Manta на реальной сессии программирования с использованием ИИ, которая включала 31 450 сообщений и около 7,4 миллиона токенов.

Исходный агент для программирования 13 раз сжимал историю контекста, поскольку диалог превышал доступный ему объём. Manta смогла обработать всю запись за один проход и попытаться предсказать следующее действие, опираясь на пять разных моментов сессии.

Это особенно актуально для разработки блокчейн-приложений, где проекты часто требуют длительной отладки и масштабных обсуждений архитектуры. Разработчик может поручить ИИ-агенту работу с:

• Контрактами на Solidity или Rust
• Наборами тестов
• Скриптами развёртывания
• Интеграциями с фронтендом
• Замечаниями аудиторов
• Записями об устранении последствий инцидентов
• Предыдущими неудачными исправлениями

Многократное обобщение может удалить детали, которые впоследствии окажутся важными. Сжатая история способна сохранить итоговый вывод, но не объяснить, почему определённый вариант архитектуры был отвергнут. В коде, связанном с безопасностью, отсутствие такого обоснования может привести к тому, что агент вновь внедрит ранее устранённую уязвимость.

Очень большое контекстное окно может сделать ИИ-агентов более последовательными при работе над долгосрочными проектами. Оно также способно снизить необходимость вести отдельные резюме поведения контрактов, допущений при развёртывании и нерешённых рисков.

Но эта возможность создаёт и новую проблему: чем больше контекст, тем сложнее определить, какая информация действительно заслуживает приоритета. Больший объём данных автоматически не означает более качественных решений.

Manta пока не доказывает общий прорыв

Идея модели со 100-миллионным контекстом не совсем нова. В 2024 году компания Magic представила LTM-2-mini — систему, которая, по её словам, могла поддерживать сопоставимый размер контекста, одновременно снижая требования к памяти и вычислительным ресурсам благодаря другой архитектуре. Позднее Magic признала, что столкнулась с трудностями при масштабировании модели в процессе обучения, а сама система так и не стала широко доступной для независимого публичного тестирования.

Перед Manta стоят схожие вопросы.

На данный момент общедоступная информация не даёт полного представления о:

• Базовой архитектуре модели
• Её реальной скорости обработки
• Оборудовании, необходимом для инференса
• Стоимости одного запроса с длинным контекстом
• Сохраняется ли точность стабильной при приближении к максимальному размеру контекста
• Насколько хорошо модель работает с кодом, структурированными данными и намеренно вводящими в заблуждение запросами
• Масштабируется ли этот подход на более крупные и мощные модели

Как сообщается, Manta доступна лишь ограниченному числу первых тестировщиков. Кроме того, участникам запрещено публично делиться запросами, результатами и тестовыми данными без разрешения. Поэтому возможности независимой оценки пока остаются ограниченными.

Для пользователей криптовалют отсутствие прозрачности должно служить поводом для осторожных ожиданий. Модель может впечатляюще показывать себя в тестах на поиск информации, но при этом оставаться непригодной для автономной торговли, развёртывания контрактов или принятия решений, связанных с хранением активов.

Последствия для безопасности цифровых активов

ИИ с длинным контекстом может повысить безопасность криптоиндустрии, но одновременно создать новые риски.

Модель, получающая доступ к большим объёмам информации об активности кошельков, закрытых корпоративных документах, переписке разработчиков и операционных журналах, может стать ценной целью для атак. Если конфиденциальные сведения передаются внешнему ИИ-сервису, пользователи должны понимать, как эти данные хранятся, обрабатываются и защищаются.

Это особенно важно для:

• Сид-фраз и приватных ключей
• Данных для восстановления кошелька
• Неопубликованного кода контрактов
• Стратегий управления казначейством
• Записей о распределении токенов
• API-учётных данных бирж
• Конфиденциальных отчётов об инцидентах

Ни одна ИИ-модель не должна получать сид-фразу или приватный ключ от кошелька. Аппаратные кошельки по-прежнему важны, поскольку позволяют отделить подписание транзакций от универсальной программной среды, в которой работают ИИ-инструменты.

Для пользователей, управляющих цифровыми активами, устройство вроде OneKey может предоставить изолированную среду для подписания транзакций, пока ИИ-инструменты используются для исследований, анализа документов или помощи в разработке. Модель может помочь объяснить транзакцию или сопоставить сведения о протоколе, но окончательное подтверждение должно оставаться под контролем пользователя и выполняться на доверенном устройстве.

За чем следить дальше

Анонс Manta подчёркивает более широкий тренд: конкуренция за расширение контекста ИИ становится не менее важной, чем соревнование в увеличении числа параметров.

Для блокчейн-сектора наиболее ценные применения могут появиться в областях, где информация одновременно масштабна и тесно взаимосвязана:

• Аналитика ончейн-данных
• Безопасность смарт-контрактов
• Анализ управления DAO
• Мониторинг рисков между блокчейнами
• Исследования в сфере криптокомплаенса
• Долгосрочные ИИ-агенты для разработчиков
• Комплексная проверка протоколов и токенов

Следующий этап будет зависеть от независимого тестирования. Исследователям предстоит оценить не только то, какой объём данных способна загрузить модель, но и то, может ли она точно рассуждать по этим данным, противостоять вводящей в заблуждение информации, защищать конфиденциальные сведения и работать по цене, приемлемой для реальных пользователей.

Контекстное окно на 100 миллионов токенов — впечатляющее техническое заявление. В будущем оно может помочь ИИ-системам гораздо глубже и последовательнее понимать блокчейн-экосистемы. Но пока архитектура, производительность и экономическая целесообразность Manta не станут более прозрачными, её стоит воспринимать скорее как интересный исследовательский результат, а не как проверенную основу для автономных финансовых решений.

Для пользователей криптовалют практический вывод прост: используйте ИИ, чтобы расширить возможности исследований, но хранение приватных ключей, подтверждение транзакций и окончательную ответственность оставляйте за пределами модели.