Liquid AI lança Antidoom: método open-source reduz ‘doom loops’ em modelos de raciocínio em até 95%

A Liquid AI liberou como open source o Antidoom, um método que ataca um dos modos de falha mais frustrantes dos modelos de raciocínio: os temidos “doom loops” — quando o modelo emite um token, repete esse token indefinidamente e só para quando a janela de contexto se esgota, consumindo recursos sem produzir resultado útil.

O problema: quando o modelo entra em parafuso

Modelos de raciocínio pequenos são particularmente vulneráveis. Em um checkpoint inicial do LFM2.5-2.6B, 10,2% das respostas em prompts difíceis de matemática e programação produziam loops repetitivos. Após o treinamento com Antidoom, essa taxa caiu para 1,4%. No Qwen3.5-4B, a redução foi ainda mais dramática: de 22,9% para 1%.

As pontuações de avaliação melhoraram em todos os benchmarks, e a melhora é atribuível exclusivamente à redução dos loops — o modelo não ficou “mais inteligente”, apenas parou de desperdiçar tokens em repetições inúteis.

FTPO: cirurgia de precisão em um único token

O Antidoom utiliza Final Token Preference Optimization (FTPO), uma adaptação do método Antislop. A abordagem é notavelmente cirúrgica:

1. Identifica o token exato que inicia o loop
2. Treina o modelo para preferir alternativas coerentes apenas naquela posição
3. O resto da distribuição de probabilidade permanece praticamente intocada

Em vez de substituir um token problemático por um único substituto, o FTPO espalha a probabilidade entre múltiplas alternativas coerentes, reduzindo a chance de qualquer caminho degenerado dominar.

Pipeline leve e open source

Todo o pipeline é open source e roda em poucas horas. Isso é significativo porque muitos métodos de alinhamento pós-treinamento — como RLHF ou DPO convencional — exigem infraestrutura pesada e datasets curados. O Antidoom funciona com pares chosen/rejected representando um único token de completação.

O repositório está disponível publicamente e a Liquid AI incentiva a comunidade a aplicar o método em outros modelos com arquiteturas de raciocínio.

Contexto e impacto

O Antidoom resolve um problema real e subestimado. Quando um modelo de raciocínio entra em doom loop durante uma chamada de API, o resultado não é apenas uma resposta ruim — é custo computacional e financeiro jogado fora. Para quem paga por token processado (seja em APIs como OpenAI, Anthropic, ou rodando localmente), loops representam desperdício puro.

Para o ecossistema open source brasileiro, o Antidoom é particularmente relevante porque os modelos pequenos mais usados localmente (2B-7B parâmetros) são justamente os mais propensos a esse problema. Aplicar o Antidoom como etapa de pós-treinamento pode melhorar significativamente a confiabilidade de modelos usados em chatbots, assistentes de código e agentes autônomos.

O fato de ser um método leve — pipeline de horas, não dias — o torna acessível para times e pesquisadores com recursos computacionais limitados.