你让推理模型解一道难题，它有时会像卡住的唱片，反复念同一段思路，却始终到不了答案。这就是“doom loop”：上下文里的重复会强化下一次重复。Liquid AI 于 2026 年 7 月开源 Antidoom，试图从模型内部压低这种倾向，而不是等输出失控后再强行截断。
据 Liquid AI 官方博客，Antidoom 先用低温度生成容易卡住的回答，再找出循环首次出现的位置：至少 60 个字符的内容重复四次，就算一次循环。它随后用 FTPO 偏好训练，只调整生成末端的关键选择——告诉模型哪个 token（可理解为生成文字时的一小块单位）不该选，并提供多个替代选项，同时尽量不扰动其他能力。训练通常通过 LoRA——只更新少量附加参数的轻量微调——完成一个 epoch，并提前停止，因为官方称训练过久反而可能制造新循环。
在自建推理提示测试中，Liquid AI 报告 Qwen3.5-4B 使用 greedy sampling（每一步都选概率最高的 token）时，循环率从 22.9% 降至 1%。这个数字不是通用生产流量成绩，但它说明了一点：重复失控未必只能靠规则拦截，也可以用一次很克制的行为校正来修复。