從 100 萬到 1 億個 Token：Manta 如何讓 AI 的區塊鏈資料視野擴大 100 倍

AI 下一個重大突破，未必來自更大型的聊天機器人或更快速的圖片生成器，也可能來自讓模型能夠一次保留並分析更多資訊。

德國 AI 實驗室 Empero 推出了 Manta。據報導，這款模型支援最高達 1 億個 Token 的輸入上下文。如果消息獲得證實，這將比目前部分先進 AI 系統約 100 萬個 Token 的上下文視窗大幅提升。

對區塊鏈產業而言，這項進展尤其值得關注。加密市場每天都會產生大量零散資訊，包括智能合約程式碼、治理提案、審計報告、交易紀錄、法律文件、代幣解鎖時程、社群討論，以及即時市場資料。若模型能在單一上下文中處理所有這些材料，研究人員、開發者、投資者與安全團隊的工作方式都可能因此改變。

不過，Manta 目前仍處於早期階段。它的架構、速度、成本與整體可靠性，尚未經過獨立驗證。

Manta 的 1 億 Token 上下文代表什麼

模型的上下文視窗，決定了它在單次互動中能讀取並運用多少資訊。當上下文太小時，AI 系統就必須摘要、截斷，或捨棄較早出現的內容。

這項限制在長期任務中尤其明顯。AI 程式設計代理可能理解軟體專案的初期內容，卻在經過數千則訊息後，逐漸遺失重要決策的脈絡。研究助理也許能準確分析數份報告，但當相關證據分散在數百份文件中時，表現就可能大幅下降。

Manta 旨在透過支援約 1 億個 Token 的輸入，解決這項瓶頸。實際上，這可能讓系統得以分析：

• 大量企業申報文件
• 完整的智能合約程式碼庫
• 長期累積的開發者與治理討論
• 歷史區塊鏈交易與事件日誌
• 多份審計報告與漏洞披露資料
• 用於代幣經濟模型與風險分析的大型資料集

關鍵並不只是「記憶更多」。大型上下文視窗只有在模型能夠擷取正確資訊、保留相隔甚遠的細節之間的關聯，並在處理整個資料集時維持準確推理能力，才真正具有價值。

Empero 對長上下文的測試

據報導，Empero 將 1,269 份標普 500 公司年度及季度報告 放入單一輸入中，總量約為 8,800 萬個 Token，藉此測試 Manta。

團隊接著在這些文件中埋入 20 個隱藏訊號，要求模型找出它們。Manta 在第一次測試中成功識別出其中 18 個。

在第二項實驗中，研究人員將 50 個高度相似的訊號放入約 1,000 萬個 Token 的資料集中。據報導，Manta 找出了其中 43 個。

這些結果顯示，Manta 能夠從極為龐大的文件集合中擷取資訊。不過，這並不能證明模型能在 1 億個 Token 的範圍內，持續完成複雜推理。找出刻意埋入的訊號，與理解某個協議長達數年的發展歷史、發現隱晦的智能合約漏洞，或判斷鏈上交易是否反映真實活動，仍然是不同層次的任務。

對區塊鏈應用而言，這項區別十分重要。加密資料往往充滿雜訊、重複內容，甚至帶有對抗性。模型可能找到治理提案中的某個詞句，卻仍然誤解其經濟影響；也可能發現某種交易模式，卻無法辨認相關地址其實屬於做市商、跨鏈橋合約或受制裁實體。

為什麼長上下文 AI 對加密研究至關重要

區塊鏈資訊的分布方式非常分散。單一協議的文件可能託管在某個平台，程式碼存放於公開程式碼庫，治理活動散布在多個論壇，審計報告來自不同公司，而交易資料則分布在不同網路之中。

研究人員往往必須手動串聯這些來源。長上下文模型則有望協助建立更完整的分析全貌。

1. 更聰明的協議盡職調查

在與去中心化金融協議互動之前，使用者可能需要檢視：

• 核心合約
• 升級權限
• 預言機依賴
• 審計發現
• 過往事故
• 代幣分配
• 治理權集中程度
• 流動性與跨鏈橋曝險

擁有超大型上下文的模型，可以在同一個工作流程中比較這些材料，而不必將每份文件視為彼此獨立的任務。

這也有助於找出其中的不一致之處。例如，某個專案的文件可能宣稱系統無須許可即可使用，但合約程式碼卻保留由管理員控制的升級函式。長上下文分析便能標記這項矛盾，並引導使用者查看相關程式碼或治理紀錄。

AI 不應取代獨立驗證，但可以成為整理複雜協議風險的第一道工具。

2. 更完整的智能合約審計

智能合約安全性往往取決於多個檔案之間的互動，而非某個孤立函式本身。一項漏洞可能同時涉及某份合約中的外部呼叫、另一份合約的存取控制假設，以及只有在分析交易行為後才會顯現的經濟攻擊路徑。

更大的上下文視窗可以協助 AI 系統檢視：

• 完整的合約程式碼庫
• 部署設定
• 歷史修補內容
• 審計報告
• 漏洞懸賞提交資料
• 已知漏洞資料庫
• 相關治理提案

最大的好處在於維持完整脈絡。代理不必反覆將程式碼庫壓縮成簡短摘要，而是能持續存取原始實作內容及其開發歷史。

不過，上下文容量不等於安全專業能力。即使所有相關程式碼都已提供給模型，模型仍可能忽略漏洞。任何用於正式環境的審計，仍應持續結合確定性測試、適當情況下的形式化驗證，以及具備經驗的人類審查者。

3. 更完善的 DAO 治理分析

去中心化自治組織通常透過論壇討論、意向調查、正式投票、代表發言與鏈上執行等多種方式作出決策。

重要脈絡可能分散在數月的討論之中。一項單獨看來十分直接的提案，可能因為過去的承諾、相依關係或後續修訂，而改變整個協議的風險狀況。

長上下文 AI 系統可以協助使用者回答以下問題：

• 當前提案是基於哪些假設形成的？
• 哪些代表支持或反對這項提案？
• 最終投票內容是否與初始草案有所不同？
• 提案執行後將帶來哪些營運變化？
• 類似提案過去是否曾失敗，或造成意料之外的後果？

這可能提升代幣持有者的透明度，尤其是對那些不可能逐一閱讀所有討論串與交易紀錄的人而言。

但其限制在於，治理分析需要的不只是資料擷取。模型必須區分技術論點、政治協調、財務誘因與投機性主張，也不能把多數通過視為提案安全的證明。

AI 代理與長期程式設計脈絡

據報導，Empero 也使用一場真實的 AI 程式設計工作階段測試 Manta。該工作階段包含 31,450 則訊息，總量約為 740 萬個 Token。

原本的程式設計代理因對話超出可用容量，曾 13 次壓縮歷史上下文。Manta 則能一次處理完整紀錄，並嘗試從工作階段中的五個不同時間點，預測接下來的操作。

這對區塊鏈開發尤其具有參考價值，因為相關專案往往包含漫長的除錯週期與大量架構討論。開發者可能要求 AI 代理同時處理：

• Solidity 或 Rust 合約
• 測試套件
• 部署腳本
• 前端整合
• 審計回饋
• 事故處理紀錄
• 過去失敗的修補方案

反覆摘要可能會刪除日後十分重要的細節。壓縮後的歷史紀錄或許能保留最終結論，卻省略某項設計當初為何被否決。在安全性要求較高的程式碼中，這些遺失的推理脈絡可能導致代理重新引入先前的漏洞。

超大型上下文視窗，可能讓 AI 程式設計代理在長期專案中保持更一致的表現，也可能減少維護合約行為、部署假設與未解決風險等獨立摘要的需求。

但這項能力本身也帶來新的挑戰：上下文越大，判斷哪些資訊應優先處理可能就越困難。資料變多，並不會自動帶來更好的決策。

Manta 尚不能證明這是一項通用型突破

「1 億個 Token 模型」的概念並非全新。2024 年，Magic 宣布推出 LTM-2-mini，並表示該系統能支援類似規模的上下文，同時透過不同架構降低記憶體與運算需求。Magic 後來承認，在訓練期間擴展模型面臨挑戰，而該系統至今也尚未廣泛開放，供外界獨立測試。

Manta 同樣面臨許多待解答的問題。

目前公開資訊尚未完整說明：

• 模型採用的底層架構
• 實際處理速度
• 推理所需的硬體
• 長上下文請求的單次成本
• 接近最大上下文容量時，準確率能否維持穩定
• 處理程式碼、結構化資料與對抗性輸入的能力
• 這套方法是否能擴展到更大型、能力更強的模型

據報導，目前只有少數早期測試者能使用 Manta。參與者未經許可，也不得公開分享提示詞、輸出內容與測試資料。這意味著外界對其進行獨立評估的空間仍然有限。

對加密貨幣使用者而言，這種透明度不足應促使大家保持審慎期待。模型或許能在資料擷取基準測試中展現出色表現，卻仍不適合用於自主交易、合約部署或託管相關決策。

對數位資產安全的影響

長上下文 AI 有望提升加密貨幣安全性，但也可能帶來新的風險。

一個能存取大量錢包活動、私人商業文件、開發者對話與營運日誌的模型，可能成為高價值攻擊目標。若敏感資訊被傳送至外部 AI 服務，使用者必須了解這些資料如何儲存、處理與保護。

以下資訊尤其需要注意：

• 助記詞與私鑰
• 錢包恢復資訊
• 尚未公開的合約程式碼
• 國庫資金策略
• 代幣分配紀錄
• 交易所 API 憑證
• 機密事故報告

任何 AI 模型都不應接收錢包助記詞或私鑰。硬體錢包仍然十分重要，因為它能將交易簽署流程，與 AI 工具運作的一般軟體環境分離。

對管理數位資產的使用者而言，OneKey 等裝置可以提供隔離的簽署環境，同時讓 AI 工具負責研究、文件分析或開發輔助。模型或許能協助解釋交易或比較協議資訊，但最終核准權仍應掌握在使用者手中，並在可信任的裝置上完成驗證。

接下來值得關注的方向

Manta 的發布凸顯了一項更廣泛的趨勢：擴大 AI 上下文的競爭，重要性正逐漸不亞於增加模型參數量的競爭。

對區塊鏈產業而言，最有價值的應用可能會出現在資訊規模龐大且彼此高度關聯的領域：

• 鏈上情報
• 智能合約安全
• DAO 治理分析
• 跨鏈風險監控
• 加密貨幣合規研究
• 長期運作的 AI 開發者代理
• 協議與代幣盡職調查

下一階段的發展，將取決於獨立測試。研究人員不僅需要評估模型能夠讀入多少資料，也要檢驗它能否在這些資料之間進行準確推理、抵抗誤導性輸入、保護敏感資訊，以及以真實使用者能負擔的成本運作。

1 億個 Token 的上下文視窗，是一項令人印象深刻的技術主張。未來，它或許能協助 AI 系統以更高的連續性與深度理解區塊鏈生態系。然而，在 Manta 的架構、效能與經濟效益更加透明之前，大家仍應將它視為一項引人關注的研究里程碑，而不是已獲證實、可用於自主金融決策的基礎設施。

對加密貨幣使用者而言，實際的原則很簡單：運用 AI 擴大研究能力，但要將私鑰、交易核准與最終責任置於模型之外。