---
title: "리퀴드 AI, 작은 추론 모델의 ‘무한 반복’ 고치는 안티둠 오픈소스 공개"
published: 2026-07-11T13:05:03.171Z
canonical: https://jeff.news/article/4936
---
# 리퀴드 AI, 작은 추론 모델의 ‘무한 반복’ 고치는 안티둠 오픈소스 공개

리퀴드 AI가 작은 추론 모델이 같은 문장을 끝없이 반복하는 ‘둠 루프’ 문제를 줄이는 학습 기법 안티둠을 오픈소스로 공개했다. 핵심은 반복이 시작되는 첫 토큰만 겨냥해 모델을 미세 조정하는 최종 토큰 선호 최적화 방식이다. LFM2.5-2.6B와 큐원3.5-4B에서 반복 발생률이 각각 10.2%→1.4%, 22.9%→1%로 크게 떨어졌다.

- 작은 추론 모델이 가끔 빠지는 ‘같은 말 무한반복’ 문제를 겨냥한 오픈소스 해결책이 나옴
  - 리퀴드 AI가 7월 7일 공개한 학습 기법 이름은 안티둠(Antidoom)
  - 여기서 말하는 둠 루프(doom loop)는 모델이 어떤 구간을 출력한 뒤 그 구간을 계속 되풀이하면서 문맥 창을 다 써버리는 현상임
  - 특히 작은 모델일수록, 어려운 수학·프로그래밍 문제처럼 긴 사고 과정을 요구할수록 더 잘 터진다는 게 포인트

- 안티둠의 핵심은 모델 전체를 다시 가르치는 게 아니라 ‘반복이 시작되는 첫 토큰’만 집요하게 고치는 방식임
  - 리퀴드 AI는 이를 최종 토큰 선호 최적화(FTPO)라고 부름
  - 반복이 시작되는 위치를 찾아낸 뒤, 그 자리에서 같은 루프로 들어가는 토큰 대신 더 자연스러운 다른 토큰을 고르도록 미세 조정함
  - 강화학습을 새로 돌리거나 모델을 처음부터 다시 학습시키는 방식이 아니라서 비용과 리스크를 줄이는 쪽에 가까움

> [!IMPORTANT]
> 수치가 꽤 세다. LFM2.5-2.6B는 반복 발생률이 10.2%에서 1.4%로, 큐원3.5-4B는 22.9%에서 1%로 떨어졌다.

- 실험 결과는 ‘작은 모델도 배포 안정성을 꽤 끌어올릴 수 있다’는 쪽에 힘을 실어줌
  - 리퀴드 AI 자체 모델 LFM2.5-2.6B에서는 어려운 수학·프로그래밍 과제의 반복률이 10.2%에서 1.4%로 감소
  - 큐원3.5-4B에서는 22.9%에서 1%로 줄어듦
  - 처리 과정도 몇 주짜리 대형 학습이 아니라 몇 시간이면 끝난다고 소개됨

- 코드와 데이터셋까지 공개됐다는 점도 개발자 입장에선 꽤 중요함
  - 단순 논문식 아이디어가 아니라 재현과 적용 가능성을 열어둔 형태임
  - 작은 추론 모델을 온디바이스, 사내 자동화, 비용 민감한 서비스에 붙이는 팀이라면 ‘반복 출력 방지’만 따로 튜닝할 여지가 생김
  - 요즘 AI 경쟁이 모델 크기만 키우는 싸움에서, 실제 실패 유형을 하나씩 제거하는 엔지니어링 싸움으로도 넘어가고 있다는 신호로 볼 수 있음

---

## 기술 맥락

- 안티둠이 흥미로운 이유는 문제를 ‘모델이 멍청해서’가 아니라 ‘특정 토큰 선택에서 루프가 시작된다’로 쪼갰기 때문이에요. 이렇게 보면 전체 모델을 다시 학습하지 않아도, 반복으로 빠지는 순간의 선택지만 교정할 수 있거든요.

- FTPO는 강화학습처럼 큰 파이프라인을 새로 얹는 방식이 아니에요. 반복이 시작되는 첫 토큰을 찾아 그 위치에서 더 나은 토큰을 선호하도록 미세 조정하니까, 기존 출력 성향을 크게 망가뜨리지 않는 게 중요해요.

- 작은 추론 모델에서 이 문제가 더 민감한 이유는 긴 사고 과정이 곧 긴 출력으로 이어지기 때문이에요. 수학이나 코딩 문제를 풀다가 같은 풀이 조각을 반복하면 품질만 떨어지는 게 아니라 문맥 창과 비용까지 같이 날아가요.

- 그래서 이 작업은 새 기능 추가라기보다 배포 안정성 패치에 가까워요. 이미 모델을 서비스에 붙인 팀이라면 ‘정답률’만 보는 게 아니라 반복률, 중단 조건, 토큰 낭비 같은 실패 지표도 따로 봐야 하는 이유가 여기에 있어요.

## 핵심 포인트

- 안티둠은 작은 추론 모델의 반복 출력 문제를 겨냥한 오픈소스 학습 기법이다.
- 반복이 시작되는 첫 토큰을 찾아 다른 자연스러운 토큰을 고르도록 미세 조정한다.
- 리퀴드 AI 모델에서는 반복률이 10.2%에서 1.4%로, 큐원3.5-4B에서는 22.9%에서 1%로 낮아졌다.
- 처리에는 몇 시간 정도가 걸리고 코드와 데이터셋도 함께 공개됐다.

## 인사이트

모델을 무조건 키우는 것보다 실제 배포에서 터지는 실패 패턴을 하나씩 줄이는 흐름이 더 중요해지는 분위기다. 작은 추론 모델을 서비스에 붙이는 팀이라면 반복 출력은 꽤 현실적인 장애 포인트라 눈여겨볼 만하다.