أطلقت Liquid AI برنامج Antidoom: طريقة FTPO تقلل التوقفات في نماذج Reasoning

أطلقت Liquid AI في 7 يوليو 2026 كود المصدر المفتوح لـ Antidoom—طريقة لمكافحة حلقات الهلاك في نماذج التفكير. على Qwen3.5-4B، انخفضت تكرار التعليقات من 22.9% إلى 1%.

ما هي حلقة الهلاك ولماذا تحتاج إلى إصلاح؟

حلقة doom-loop هي عندما يبدأ نموذج التفكير بتكرار نفس أجزاء النص في سلسلة تفكيره حتى ينفد نافذة السياق بأكملها. بدلاً من تقديم إجابة، يقع النموذج "عالقاً" في حلقة ويفشل في إنتاج نتيجة.

المشكلة مؤلمة بشكل خاص لنماذج التفكير التي "تفكر بصوت عالٍ" باستخدام سلاسل طويلة من الخطوات. كلما زال طول التفكير، زادت احتمالية التكرار: يدخل نمط واحد السياق، والرمز التالي يسخه، والحلقة تغلق.

بالنسبة لأنظمة الإنتاج، حلقات الهلاك ليست مجرد فضول أكاديمي: فهي تزيد من زمن استجابة كافة الأجهزة وتهدر الرموز، مما يرفع تكاليف الاستدلال مباشرة.

كيفية عمل طريقة FTPO

يستخدم Antidoom منهج Final Token Preference Optimization (FTPO). بدلاً من إعادة التدريب الكاملة المكلفة للنموذج، تجد الطريقة الرمز المحدد الذي يبدأ الدورة وتصحح الأوزان فقط لهذا الموضع.

الحقائق الرئيسية:

• تم نشر الطريقة في 7 يوليو 2026 تحت رخصة مصدر مفتوح
• على LFM2.5-2.6B (نموذج Liquid AI الخاص)، انخفضت حلقات الهلاك من 10.2% إلى 1.4%
• على Qwen3.5-4B—من 22.9% إلى 1%
• في الوصول المفتوح: مولد حلقة الهلاك، الكاشف ومدرب FTPO

يختلف هذا النهج الموجه بشكل أساسي عن الضبط الدقيق القياسي: يتم تغيير الموضع "الإشكالي" فقط، بينما يبقى باقي معاملات النموذج دون تغيير، مما يقلل من خطر الانحدار في أماكن أخرى من سلوك النموذج.

لماذا يهم المصدر المفتوح

لم تصف Liquid AI ببساطة الطريقة في ورقة بحثية—بل أطلقت أدوات عملية: كاشف حلقة الهلاك، مولد أمثلة اصطناعية لإعادة إنتاج المشكلة، ومدرب FTPO نفسه. يسمح هذا لأي فريق يعمل مع نماذج التفكير بتطبيق الطريقة على نموذجه الخاص دون انتظار إصلاح رسمي من البائع.

بالنسبة لمطوري LLM مفتوحة المصدر، يعتبر مولد الأمثلة الاصطناعية ذا قيمة خاصة: فهو يسمح ببناء مجموعة بيانات لإعادة إنتاج المشكلة على بنية معمارية محددة، حتى لو كانت حلقات الهلاك نادرة في البيانات الحقيقية.

ماذا يعني هذا

يسد Antidoom فجوة تقنية محددة في نماذج التفكير ويفعل ذلك بشكل مفتوح—وهو بحد ذاته غير معتاد لشركة ذكاء اصطناعي. إذا أظهر FTPO نتائج متسقة على معماريات بعيدة عن LFM و Qwen، فقد تصبح الطريقة خطوة قياسية في الضبط الدقيق لعملاء التفكير قبل الإطلاق في الإنتاج.

الأسئلة الشائعة

ما هي Final Token Preference Optimization؟

FTPO هي طريقة للضبط الدقيق الموجه: بدلاً من تحسين النموذج بأكمله، تجد الرمز المحدد الذي يؤدي إلى حلقة التكرار وتصحح أوزانه فقط. هذا أسرع من الضبط الدقيق الكامل ويقلل من خطر التغييرات غير المرغوبة في باقي النموذج.

على أي نماذج تم اختبار Antidoom؟

اختبرت Liquid AI الطريقة على نموذجين: نموذجها الخاص LFM2.5-2.6B (انخفضت حلقات الهلاك من 10.2% إلى 1.4%) و Qwen3.5-4B من طرف ثالث (من 22.9% إلى 1%). يسمح المصدر المفتوح للمجتمع بفحص النتائج بشكل مستقل على معماريات أخرى.