# LAVOIR پرسش‌های پیگیری هوشمند را به تصمیم‌گیری‌های تک‌گذره هوش مصنوعی اضافه می‌کند

> بر اساس مقاله‌ای که ۲۸ سپتامبر در arXiv منتشر شده، مدل جدید دقت پاسخ‌ها را تا ۱۴ واحد درصد افزایش می‌دهد و در هر گفت‌وگو کمتر از یک پرسش می‌پرسد.

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

پژوهشگرانی به سرپرستی Furkan Yılmaz در ۲۸ سپتامبر ۲۰۲۶، LAVOIR را در arXiv منتشر کردند. LAVOIR نسخه‌ای از موتور تصمیم‌گیری Laya است که می‌تواند در همان گذر رو به جلو، هم پاسخ خود را مشخص کند و هم تشخیص دهد کدام اطلاعاتِ ناقص بیشترین کمک را به بهبود پاسخ می‌کند. این مدل در آزمون روی مجموعه‌داده‌های معیار، وقتی حداکثر به‌طور میانگین نیم پرسش در هر گفت‌وگو می‌پرسید، دقت را ۱۴٫۱ واحد درصد بالا برد؛ همچنین در یک مجموعه بزرگ گفت‌وگو، نرخ پرسش‌گری را از ۹۳٪ به ۸٫۶٪ کاهش داد. مدل همچنان در حدود ۳۱ میلی‌ثانیه پاسخ می‌دهد؛ سرعتی که برای گفت‌وگوی بلادرنگ کافی است.

## چطور به اینجا رسیدیم

دستیارهای هوش مصنوعی پیشین، مانند Jev متعلق به TypeSafe و Laya متن‌باز، به پرسش‌های قالب‌بندی‌شده در یک گذر رو به جلو پاسخ می‌دادند. آن‌ها احتمال‌های کالیبره‌شده ارائه می‌کردند، اما هیچ‌وقت برای روشن‌شدن موضوع پرسش نمی‌پرسیدند. اگر در پیام کاربر جزئیاتی جا می‌ماند—مثلاً اینکه یک سیاست مربوط به کدام بخش است—مدل ناچار بود حدس بزند. پژوهشگران این محدودیت را تصمیم‌گیری «سامانه یک» نامیدند.

LAVOIR این مشکل را با افزودن گزینه‌های اطلاعاتیِ احتمالیِ جاافتاده در کنار هر گزینه پاسخ برطرف می‌کند. برآورد ارزش اطلاعات (VOI) به مدل می‌گوید هر گزینه چقدر می‌تواند احتمال تصمیم درست را افزایش دهد. اعداد VOI بدون برچسب‌گذاری انسانی یاد گرفته می‌شوند: تصمیم‌های مرجع از قواعد طرح‌واره به دست می‌آیند، یک مدل زبانی بزرگ (LLM) پرسش‌ها را می‌نویسد و مدلی جداگانه متن را بررسی می‌کند. سقفی مبتنی بر ناخالصی جینی مانع می‌شود مدل بیش از اندازه وعده بهبود بدهد. در یک مطالعه کنترل‌شده، کیفیت تصمیم‌گیری LAVOIR با حد نظری بیزی برابری کرد و سیاست پرسش‌گری آن تقریباً همان عملکرد یک اوراکل حریص را داشت؛ اوراکلی که همیشه پرسش دارای بالاترین ارزش را انتخاب می‌کند.

## گام بعدی چیست

مقاله شامل کد متن‌باز و چک‌پوینت‌های مدل است؛ بنابراین توسعه‌دهندگان می‌توانند LAVOIR را به ابزارهای موجود گفت‌وگو یا پشتیبانی از تصمیم‌گیری وصل کنند. چون مدل پرسش‌های بسیار کمتری می‌پرسد، تجربه کاربری باید روان بماند و در عین حال خطاهای پرهزینه در حوزه‌هایی مثل پشتیبانی مشتری، تکمیل فرم‌های حقوقی یا تریاژ پزشکی کاهش یابد. نویسندگان قصد دارند مدل را روی ترافیک زنده کاربران بیازمایند و سقف‌های دقیق‌تر VOI را بررسی کنند که با سرعت‌های متفاوت سخت‌افزار سازگار شوند.

اگر LAVOIR به‌طور گسترده به کار گرفته شود، می‌تواند شیوه ایجاد توازن میان سرعت و دقت در دستیارهای هوش مصنوعی را تغییر دهد. این دستیارها به‌جای حدس‌زدن همیشگی، فقط وقتی سؤال می‌پرسند که فایده مورد انتظار از هزینه وقفه بیشتر باشد؛ در نتیجه گفت‌وگوها هدفمندتر به نظر می‌رسند.

## حقایق

- LAVOIR در ۲۸ سپتامبر ۲۰۲۶ به‌دست Furkan Yılmaz و همکارانش در arXiv منتشر شد.
- وقتی تعداد پرسش‌ها به ۰٫۵ پرسش در هر گفت‌وگو محدود شود، دقت LAVOIR نسبت به مدلی که هیچ‌وقت پرسش نمی‌پرسد ۱۴٫۱ واحد درصد افزایش می‌یابد.
- در مجموعه گفت‌وگوهای واقعی ABCD، یک رفت‌وبرگشتِ حاصل از پرسش LAVOIR دقت را ۸٫۳ واحد درصد افزایش می‌دهد.
- در مجموعه‌داده بزرگ گفت‌وگوهای SGD، مدل ضمن حفظ عملکرد، نرخ پرسش‌گری را از ۹۳٪ به ۸٫۶٪ کاهش می‌دهد.
- LAVOIR روی سخت‌افزار GH200 در میانه ۳۱ میلی‌ثانیه به یک پرسش پاسخ می‌دهد.
- AUC انتخاب پرسش در LAVOIR برابر ۰٫۷۹۹ است و تقریباً با امتیاز ۰٫۷۹۷ اوراکل حریص برابری می‌کند.

## چرا مهم است

برای کاربران روزمره، LAVOIR یعنی احتمال اینکه دستیارهای هوش مصنوعی هنگام جاافتادن جزئیات پاسخ اشتباه را حدس بزنند کمتر می‌شود و فقط وقتی پرسش پیگیری می‌پرسند که واقعاً کمک‌کننده باشد. این قابلیت می‌تواند خطاها را در کارهایی مثل تکمیل فرم یا دریافت پشتیبانی کاهش دهد، در وقت صرفه‌جویی کند و از کلافگی بکاهد. از آنجا که مدل همچنان سریع است، می‌توان از آن در برنامه‌های گفت‌وگوی بلادرنگ بدون تأخیر محسوس استفاده کرد. توسعه‌دهندگان نیز کد رایگان در اختیار دارند تا پرسش‌گری هوشمندتر را به محصولات خود اضافه کنند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-09-28