# Liquid AI 开源 Antidoom：用“最终 Token 偏好优化”修掉推理模型的死循环毛病

> 原标题：Liquid AI 开源 Antidoom：基于最终 Token 偏好优化的推理模型死循环修复方法

- 来源：AI HOT 精选
- 发布时间：2026-07-07T16:50:50.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/42955
- 原文：https://www.marktechpost.com/2026/07/07/liquid-ai-antidoom-doom-loops-ftpo

## 摘要

推理模型有时会卡在“死循环”里，反复输出无意义的 token 直到把上下文窗口塞满。Liquid AI 开源了 Antidoom，用最终 Token 偏好优化（FTPO，一种教模型在推理结束时学会停下来的训练方法）来解决这个问题。他们在 DeepSeek V4 Pro 上试了，用 1,040 组偏好样本训练后，死循环率从 3.2% 降到了 0.3%，而...

## 推荐理由

Liquid AI 开源了一个修推理模型死循环的实用方法，在 DeepSeek V4 Pro 上把死循环率从 3.2% 压到 0.3%，数字扎实。没给更高分是因为目前只有一篇博客，没有论文或第三方验证，单源信息到这个分数已经不错了。

## 锐评

推理模型有时候会像卡带的录音机，反复输出无意义的 token 直到把上下文窗口塞满，这就是所谓的“死循环”。Liquid AI 这次开源的 Antidoom，核心思路叫最终 Token 偏好优化（FTPO），说白了就是拿 1,040 组偏好样本，专门教模型在推理结束时学会闭嘴。在 DeepSeek V4 Pro 上试了下，死循环率从 3.2% 直接压到 0.3%，降了十倍，而且数学和编程的跑分没受影响，这点挺实在。

不过文章没提训练这 1,040 组样本花了多少钱，也没说这方法换到别的模型上是不是一样管用。毕竟只在 DeepSeek 一家上验过，迁移性要打个问号。另外，0.3% 的残留死循环在什么场景下会触发，正文也没交代。如果后续能补上成本数据和跨模型测试，这个方法的实用价值会更清楚。