Liquid AI Lança Antidoom: Método FTPO Reduz Travamentos em Modelos de Reasoning

A Liquid AI em 7 de julho de 2026 abriu o código-fonte do Antidoom—um método para combater loops de perdição em modelos de raciocínio. No Qwen3.5-4B, a frequência de travamentos caiu de 22,9% para 1%.

O que é um doom-loop e por que precisa ser corrigido?

Um doom-loop é quando um modelo de raciocínio começa a repetir os mesmos fragmentos de texto em sua cadeia de raciocínio até esgotar toda a janela de contexto. Em vez de fornecer uma resposta, o modelo "fica preso" em um loop e falha em produzir um resultado.

O problema é particularmente doloroso para modelos de raciocínio que "pensam em voz alta" usando longas cadeias de passos. Quanto mais longo o raciocínio, maior a probabilidade de repetição: um padrão entra no contexto, o próximo token o copia, e o loop se fecha.

Para sistemas em produção, doom-loops não são meramente curiosidades acadêmicas: aumentam a latência de resposta e desperdiçam tokens, elevando diretamente os custos de inferência.

Como o método FTPO funciona

O Antidoom usa a abordagem Final Token Preference Optimization (FTPO). Em vez do caro retreinamento completo do modelo, o método encontra o token específico que inicia o ciclo e corrige os pesos apenas para esta posição.

Fatos-chave:

• Método publicado 7 de julho de 2026 sob licença de código aberto
• No LFM2.5-2.6B (modelo próprio da Liquid AI), doom-loops caíram de 10,2% para 1,4%
• No Qwen3.5-4B—de 22,9% para 1%
• Em acesso aberto: gerador de doom-loop, detector e treinador FTPO

Esta abordagem direcionada difere fundamentalmente do fine-tuning padrão: apenas a posição "problemática" é alterada, o resto dos parâmetros do modelo permanece intacto, reduzindo o risco de regressões em outras partes do comportamento do modelo.

Por que o código aberto é importante

A Liquid AI não apenas descreveu o método em um artigo—liberou ferramentas funcionales: um detector de doom-loop, um gerador de exemplos sintéticos para reproduzir o problema, e o treinador FTPO em si. Isto permite que qualquer equipe trabalhando com modelos de raciocínio aplique o método ao seu próprio modelo sem esperar por uma correção oficial do fornecedor.

Para desenvolvedores de LLM de código aberto, o gerador de exemplos sintéticos é particularmente valioso: permite construir um conjunto de dados para reproduzir o problema em uma arquitetura específica, mesmo que doom-loops sejam raros em dados reais.

O que isso significa

O Antidoom fecha uma lacuna técnica específica em modelos de raciocínio e o faz de forma aberta—o que em si é incomum para uma empresa de IA. Se o FTPO demonstrar resultados consistentes em arquiteturas além de LFM e Qwen, a abordagem pode se tornar um passo padrão no fine-tuning de agentes de raciocínio antes do lançamento em produção.

Perguntas frequentes

O que é Final Token Preference Optimization?

FTPO é um método de fine-tuning direcionado: em vez de otimizar o modelo completo, encontra o token específico que desencadeia o loop de repetição e corrige apenas seus pesos. Isto é mais rápido do que o fine-tuning completo e reduz o risco de mudanças indesejadas no resto do modelo.

Em que modelos o Antidoom foi testado?

A Liquid AI testou o método em dois modelos: seu próprio LFM2.5-2.6B (doom-loops caíram de 10,2% para 1,4%) e o Qwen3.5-4B de terceiros (de 22,9% para 1%). O código aberto permite que a comunidade teste independentemente resultados em outras arquiteturas.