Вы когда-нибудь ждали ответ от нейросети, а она просто ... застревала? Не в смысле глубокой задумчивости, а в бесконечном повторении одной и той же мысли, как заезженная пластинка. Знакомо? Это он — doom loop, проклятие всех reasoning-моделей. И вот, 3 июля 2026 года, Liquid AI выложила на GitHub Antidoom — открытое средство от этой напасти. Без регистрации и СМС.
Почему doom loop — это реально больно
Современные модели рассуждений (вроде o1/o3 от OpenAI, DeepSeek R1 или QwQ) умеют "думать" шаг за шагом. Но иногда они уходят в бесконечный цикл: перепроверяют одно и то же доказательство, возвращаются к уже опровергнутой гипотезе, рассылают "мысленные" письма сами себе. Картина маслом: модель тратит 90% времени на повтор, а не на новые аргументы.
В статье "Математика галлюцинаций ИИ" я уже разбирал, почему логические цепочки так часто сходят с рельсов. Doom loop — частный случай такой галлюцинации, только не на уровне факта, а на уровне самого процесса мышления.
Как Antidoom рвёт этот круг
В основе метода — детектор зацикливания и форсированный джамп. Детектор анализирует последние N токенов или скрытых состояний на предмет повторов (как на семантическом, так и на синтаксическом уровне). Если сходство превышает порог — срабатывает триггер. Дальше модель получает специальный сигнал, который переводит её в "режим нового шага": она либо ветвит рассуждение, либо пропускает текущий подшаг, либо переформулирует цель.
Liquid AI реализовали это как дополнительный слой поверх стандартного вывода. Никакого переобучения — просто динамическое вмешательство на этапе инференса. Для open-source моделей, например LFM (Liquid Foundation Model) и Qwen 3.2, это работает из коробки.
Осторожно: метод не панацея. Если модель в принципе не знает решения, Antidoom не сделает её умнее — он просто не даёт ей тупить в одном месте.
Цифры: насколько это эффективно
Liquid AI опубликовали бенчмарки на типовых задачах рассуждений (GSM8K, MATH, BigBench-Hard). Результаты до и после:
| Модель | Без Antidoom (accuracy) | С Antidoom (accuracy) | Сокращение числа итераций |
|---|---|---|---|
| LFM-7B | 72.3% | 81.1% | -34% |
| Qwen 3.2-32B | 78.9% | 85.4% | -28% |
| LFM-45B | 84.2% | 89.3% | -40% |
Прирост точности 6-9% — это серьёзно. Но главное — число шагов рассуждения упало почти на треть. Модели стали не только точнее, но и быстрее. В задачах, где раньше требовалось 50+ итераций с повторениями, теперь хватает 30 осмысленных шагов.
Сравним с другими способами борьбы с цикличностью
Рынок не стоял на месте. Ещё весной 2025 года KEF (Knowledge Expansion Framework) от той же команды (о нём я писал здесь) пытался решить проблему через принудительное расширение контекста. Но KEF требовал дополнительной памяти и иногда раздувал цепочку до абсурда. ThreadWeaver (обзор вот) предлагал ветвление мыслей — это хорошо, но накладные расходы на управление тредами велики.
Antidoom же работает по принципу "бей первым": не даёт циклу сформироваться, а не исправляет последствия. Это легче, дешевле и, как видно из цифр, эффективнее для open-source моделей.
Как это применить прямо сейчас
Репозиторий уже на GitHub — github.com/LiquidAI/antidoom. В README — простой рецепт для huggingface-трансформеров. Вы ставите питоновскую библиотеку, подключаете детектор к вашей модели, и всё.
Пример из документации (не надо писать код, но для понимания):
from antidoom import DoomDetector
from transformers import pipeline
detector = DoomDetector(threshold=0.85, window=20)
model = pipeline("text-generation", model="Qwen/Qwen3.2-32B")
# Оборачиваем вызов
def safe_generate(prompt, max_steps=100):
with detector.monitor():
result = model(prompt, max_new_tokens=2048)
if detector.loop_detected:
# форсированный сброс
result = model.break_loop()
return result
Звучит логично, но есть нюанс: порог срабатывания придётся подбирать под свою задачу. Для математических задач я бы ставил 0.9, для творческих — 0.75, иначе будет слишком много ложных срабатываний.
Кому это реально спасёт жизнь
- Разработчики чат-ботов — если ваш ассистент начинает бесконечно переспрашивать "Вы уверены?", Antidoom даст по рукам.
- Исследователи reasoning — чистый эксперимент: убираем шум циклов, видим реальные способности модели. В итогах 2025 я предсказывал, что борьба с зацикливанием станет мейнстримом в 2026 — так и вышло.
- Все, кто использует open-source модели — потому что это бесплатно и подкладывается как плагин.
- Фанаты эффективности — если вы гоняетесь за каждым процентом точности, 8% прироста без переобучения звучат как сказка.
Но есть и те, кому Antidoom скорее помешает: если вам нужно, чтобы модель "пережёвывала" один аргумент до бесконечности (например, в симуляциях навязчивых мыслей), детектор будет только мешать.
Ликбез: почему методы детекции циклов не взлетели раньше
Проблема старых подходов была в том, что они либо требовали кастомных логов (замедление в 2 раза), либо тупо обрезали длину последовательности (теряли полезные шаги). Liquid AI решили использовать внутренние скрытые состояния — там паттерны повторения видны до того, как они проявятся на выходе. Это как смотреть на электрическую активность мозга, а не на слова человека.
Кстати, о мозгах: в промпт-инжиниринге 2026 я упоминал, что старые техники вроде "давай подумаем шаг за шагом" теряют силу — теперь мы просто подсовываем модели Антадоом, и она сама не даёт себе зациклиться.
Что дальше? Мой прогноз
Я почти уверен, что через полгода ни одна уважающая себя reasoning-модель не будет выпускаться без встроенного детектора циклов. Antidoom задаёт тренд: open-source, простота, совместимость. Он может стать стандартом де-факто для инференса LLM. А Liquid AI, кажется, окончательно заняли нишу "чистильщиков" — исправляют системные глюки, которые все видели, но никто не хотел фиксить.
Совет напоследок: если у вас есть модель, которая "задумывается" дольше 10 секунд на простом вопросе — не мучайте её, поставьте Antidoom. Читатели на реддите уже тестируют на LFM и Qwen; кто-то выложил скрипт для автоматического подбора порога. Пользуйтесь, пока хайп не прошёл — а он пройдёт, когда это станет встроенной функцией каждой модели.
