Liquid AI تطلق Antidoom: أسلوب FTPO يقلّص حالات التعليق في نماذج الاستدلال

أتاحت Liquid AI في 7 يوليو 2026 مصدر Antidoom، وهو أسلوب لمعالجة doom-loops في نماذج الاستدلال. وعلى نموذج Qwen3.5-4B تراجعت نسبة حالات التعليق من 22,9% إلى 1%.

ما هي doom-loop ولماذا يجب إصلاحها

تحدث doom-loop حين يبدأ نموذج الاستدلال بتكرار المقاطع النصية نفسها في سلسلة استدلاله إلى أن يستنفد نافذة السياق بالكامل. وبدل أن يقدّم النموذج إجابة، يعلق في حلقة ولا يُخرج أي نتيجة.

وتبلغ المشكلة ذروتها في نماذج الاستدلال التي «تفكّر بصوت عالٍ» عبر سلاسل طويلة من الخطوات. فكلما طال الاستدلال ارتفع احتمال التكرار: يدخل نمط واحد إلى السياق، فينسخه الرمز التالي، وتنغلق الحلقة.

وفي أنظمة الإنتاج ليست doom-loops مجرد حالة أكاديمية شاذة، إذ تزيد زمن الاستجابة وتستهلك رموزًا إضافية، ما يرفع تكلفة الاستدلال (inference) بصورة مباشرة.

كيف يعمل أسلوب FTPO

يعتمد Antidoom على نهج Final Token Preference Optimization (FTPO). فبدل إعادة تدريب النموذج كاملًا بتكلفة عالية، يحدّد الأسلوب الرمز المحدّد الذي تبدأ منه الحلقة، ويعدّل الأوزان الخاصة بهذا الموضع فقط.

أبرز الحقائق:

• نُشر الأسلوب في 7 يوليو 2026 بترخيص مفتوح
• على LFM2.5-2.6B (نموذج Liquid AI الخاص) انخفضت doom-loops من 10,2% إلى 1,4%
• على Qwen3.5-4B انخفضت من 22,9% إلى 1%
• المتاح علنًا: مولّد doom-loops، والكاشف، ومدرّب FTPO

ويختلف هذا النهج الموضعي جوهريًا عن fine-tuning المعتاد: إذ يتغيّر الموضع «المشكل» وحده، ولا تُمسّ بقية معاملات النموذج، ما يقلّل خطر التراجع (regressions) في باقي سلوك النموذج.

لماذا تهمّ الشيفرة المفتوحة

لم تكتفِ Liquid AI بوصف الأسلوب في ورقة بحثية، بل نشرت أدوات عملية جاهزة: كاشف doom-loops، ومولّد أمثلة اصطناعية لإعادة إنتاج المشكلة، ومدرّب FTPO نفسه. وهذا يتيح لأي فريق يعمل مع نماذج الاستدلال تطبيق الأسلوب على نموذجه دون انتظار إصلاح رسمي من المورّد.

وتتجلى قيمة مولّد الأمثلة الاصطناعية خصوصًا لمطوّري نماذج LLM مفتوحة المصدر، فهو يتيح بناء مجموعة بيانات لإعادة إنتاج المشكلة على بنية معمارية بعينها، حتى حين تندر doom-loops في البيانات الحقيقية.

ماذا يعني ذلك

يسدّ Antidoom ثغرة تقنية محددة في نماذج الاستدلال، ويفعل ذلك علنًا، وهو أمر غير معتاد لشركة ذكاء اصطناعي. وإذا أظهر FTPO نتائج مستقرة على بنى أخرى غير LFM وQwen، فقد يصبح الأسلوب خطوة معيارية عند استكمال تدريب وكلاء الاستدلال قبل طرحهم في الإنتاج.

أسئلة شائعة

ما هو Final Token Preference Optimization؟

FTPO أسلوب لإعادة تدريب موضعية: فبدل تحسين النموذج بأكمله، يحدّد الرمز المحدّد الذي يطلق حلقة التكرار، ويعدّل أوزانه وحدها. وهو أسرع من fine-tuning الكامل ويقلّل خطر التغييرات غير المرغوبة في بقية النموذج.

على أي نماذج جرى اختبار Antidoom؟

اختبرت Liquid AI الأسلوب على نموذجين: LFM2.5-2.6B الخاص بها (انخفضت doom-loops من 10,2% إلى 1,4%) وQwen3.5-4B من جهة خارجية (من 22,9% إلى 1%). وتتيح الشيفرة المفتوحة للمجتمع التحقق من النتائج بنفسه على بنى أخرى.