# LAVOIR ergänzt Ein-Schritt-KI-Entscheidungen um intelligente Rückfragen

> Das neue Modell verbessert die Antwortgenauigkeit um bis zu 14 Punkte und stellt dabei weniger als eine Frage pro Chat, heißt es in einer am 28. September auf arXiv veröffentlichten Studie.

Oossa · 2026-09-28 · https://oossa.com/de/lavoir-adds-smart-follow-up-questions-to-single-pass-ai-decisions

Ein Forscherteam unter Leitung von Furkan Yılmaz hat LAVOIR am 28. September 2026 auf arXiv vorgestellt. LAVOIR ist eine Version der Laya-Entscheidungsmaschine, die im selben Durchlauf sowohl eine Antwort als auch die fehlenden Informationen ermittelt, mit denen sich diese Antwort am stärksten verbessern ließe. In Tests mit Benchmark-Datensätzen stieg die Genauigkeit um 14,1 Punkte, wenn das Modell höchstens eine halbe Frage pro Unterhaltung stellte. Auf einem großen Dialogdatensatz sank die Gesamtquote der Rückfragen von 93 % auf 8,6 %. Das Modell antwortet weiterhin in etwa 31 ms – schnell genug für Chats in Echtzeit.

## Wie es dazu kam

Frühere KI-Assistenten wie Jev von TypeSafe und das Open-Source-Modell Laya beantworteten getippte Fragen in einem einzigen Durchlauf. Sie gaben kalibrierte Wahrscheinlichkeiten aus, baten aber nie um Klarstellung. Fehlt in der Nachricht eines Nutzers eine Angabe – etwa, für welche Abteilung eine Richtlinie gilt –, muss das Modell raten. Forschende bezeichneten diese Einschränkung als Entscheidungsfindung nach dem „System One“-Prinzip.

LAVOIR löst das Problem, indem es neben jeder Antwortmöglichkeit mögliche fehlende Angaben einfügt. Eine Schätzung des Informationswerts (Value of Information, VOI) gibt an, wie stark jede Angabe die Wahrscheinlichkeit einer richtigen Entscheidung erhöhen könnte. Die VOI-Werte werden ohne menschliche Labels erlernt: Verbindliche Entscheidungen ergeben sich aus Schema-Regeln, ein großes Sprachmodell (LLM) formuliert die Fragen, und ein separates Modell prüft den Text. Eine Obergrenze für die Gini-Verunreinigung verhindert, dass das Modell mögliche Verbesserungen übertreibt. In einer kontrollierten Studie entsprach die Entscheidungsqualität von LAVOIR der theoretischen Bayes-Obergrenze. Auch die Strategie zur Auswahl von Rückfragen schnitt nahezu genauso ab wie ein gieriger Oracle-Ansatz, der stets die Frage mit dem höchsten Informationswert auswählt.

## Wie es weitergeht

Die Studie enthält Open-Source-Code und Modell-Checkpoints, sodass Entwickler LAVOIR in bestehende Chat- oder Entscheidungsunterstützungssysteme integrieren können. Da das Modell deutlich weniger Fragen stellt, dürfte die Nutzung reibungslos bleiben und zugleich kostspielige Fehler etwa im Kundendienst, beim Ausfüllen juristischer Formulare oder in der medizinischen Triage reduzieren. Die Autoren planen, das Modell mit echtem Nutzerverkehr zu testen und feinere VOI-Obergrenzen zu untersuchen, die sich an unterschiedliche Hardwaregeschwindigkeiten anpassen.

Bei einer breiten Einführung könnte LAVOIR verändern, wie KI-Assistenten Geschwindigkeit und Genauigkeit gegeneinander abwägen. Statt immer zu raten, würden sie nur dann nachfragen, wenn der erwartete Nutzen die Unterbrechung rechtfertigt – und Gespräche so zielgerichteter gestalten.

## Die Fakten

- LAVOIR wurde am 28. September 2026 von Furkan Yılmaz und Mitautoren auf arXiv veröffentlicht.
- Wenn LAVOIR auf 0,5 Fragen pro Unterhaltung begrenzt wird, steigt die Genauigkeit gegenüber einem Modell, das nie nachfragt, um 14,1 Punkte.
- Auf dem realen Gesprächsdatensatz ABCD erhöht ein von LAVOIR gestellter Frage-Antwort-Austausch die Genauigkeit um 8,3 Punkte.
- Auf dem großen SGD-Dialogdatensatz senkt das Modell die Rückfragequote von 93 % auf 8,6 %, ohne die Leistung zu beeinträchtigen.
- LAVOIR beantwortet eine Frage auf GH200-Hardware mit einer Medianzeit von 31 ms.
- Die AUC für die Auswahl von Rückfragen beträgt 0,799 und liegt damit praktisch gleichauf mit dem Wert von 0,797 eines gierigen Oracle-Ansatzes.

## Warum es wichtig ist

Für den Alltag bedeutet LAVOIR, dass KI-Assistenten seltener falsch raten, wenn eine Angabe fehlt, und nur dann mit einer Rückfrage unterbrechen, wenn diese wirklich weiterhilft. Das kann Fehler bei Aufgaben wie dem Ausfüllen von Formularen oder der Suche nach Unterstützung verringern, Zeit sparen und Frust reduzieren. Weil das Modell schnell bleibt, lässt es sich ohne spürbare Verzögerungen in Chat-Apps in Echtzeit einsetzen. Entwickler erhalten außerdem kostenlosen Code, mit dem sie ihre eigenen Produkte um intelligentere Rückfragen ergänzen können.

## Quellen und Referenzen

1. [LAVOIR: Teaching a Single-Pass Decision Encoder When and What to Ask with Amortized Value of Information](https://arxiv.org/abs/2609.30706) – arXiv, 2026-09-28

Zuletzt aktualisiert: 2026-09-28