training-time-fix

这篇文章解释了推理模型中的“末日循环”，即模型重复诸如“Wait”之类的令牌，直到上下文填满，并介绍了FTPO（最终令牌偏好优化）作为训练时的修复方法。相关的Antidoom工具显著降低了末日循环率（例如，在Qwen3.5-4B上从22.9%降至1%）。