# LAVOIR、単一パスのAI判断に賢い追加質問を導入

> 9月28日付のarXiv論文によると、新モデルはチャット1回あたりの質問数を1問未満に抑えながら、回答精度を最大14ポイント向上させる。

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

Furkan Yılmaz氏らの研究チームは2026年9月28日、LAVOIRをarXivで公開した。LAVOIRはLaya意思決定エンジンの一種で、1回のフォワードパスで回答を出すと同時に、その回答を改善するうえで不足している情報も特定できる。ベンチマークデータセットでのテストでは、会話あたりの質問数を最大0.5問に抑えた場合、精度が14.1ポイント向上した。また、大規模な対話データセットでは、質問する割合を93％から8.6％に減らした。それでも回答にかかる時間は約31ミリ秒で、リアルタイムのチャットに十分な速さだ。

## ここに至るまで

TypeSafeのJevやオープンソースのLayaなど、従来のAIアシスタントは、入力された質問に1回のフォワードパスで回答していた。確率を適切に調整して出力する一方で、確認の質問はしない。ユーザーのメッセージに詳細が欠けている場合、たとえばある方針がどの部署に適用されるのかが書かれていなければ、モデルは推測するしかない。研究者らはこの限界を「システム1」の意思決定と呼んだ。

LAVOIRは、回答の選択肢ごとに不足情報の候補を加えることで、この問題に対処する。情報価値（VOI）の推定値を使って、各情報が正しい判断の確率をどの程度高めるかをモデルに示す。VOIの数値は人手によるラベル付けなしで学習される。正解となる判断はスキーマのルールから導き、大規模言語モデル（LLM）が質問を作成し、別のモデルがその文章をチェックする。ジニ不純度に基づく上限を設けることで、モデルが効果を過大に見積もるのを防ぐ。対照実験では、LAVOIRの判断品質は理論上のベイズ最適値に並び、質問方針も、常に最も価値の高い質問を選ぶ貪欲オラクルとほぼ同等だった。

## 今後の展開

論文にはオープンソースのコードとモデルのチェックポイントが含まれており、開発者は既存のチャットツールや意思決定支援ツールにLAVOIRを組み込める。質問数が大幅に減るため、ユーザー体験を円滑に保ちながら、カスタマーサポート、法的書類の記入、医療トリアージといった分野で高くつくミスを減らせると期待される。著者らは、実際のユーザーの利用データでモデルを試すほか、ハードウェアの処理速度に応じて調整する、より細かなVOIの上限も検討する予定だ。

LAVOIRが広く採用されれば、AIアシスタントが速度と精度のバランスを取る方法が変わる可能性がある。常に推測するのではなく、割り込んで質問するコストを上回る効果が見込める場合に限って質問するため、やり取りがより目的に沿ったものになる。

## 事実

- LAVOIRはFurkan Yılmaz氏らによって2026年9月28日にarXivで公開された。
- 会話あたりの質問数を0.5問に制限した場合、LAVOIRは質問を一切しないモデルと比べて精度を14.1ポイント向上させる。
- 実際の会話データセットABCDでは、LAVOIRが質問を1回行うと精度が8.3ポイント上がる。
- 大規模な対話データセットSGDでは、性能を維持しながら、質問する割合を93％から8.6％に減らす。
- GH200ハードウェア上で、LAVOIRが質問に回答するまでの時間の中央値は31ミリ秒。
- 質問選択のAUCは0.799で、貪欲オラクルの0.797とほぼ同等。

## なぜ重要か

日常的なユーザーにとって、LAVOIRは、情報が足りないときにAIアシスタントが誤った推測をする可能性を下げ、本当に役立つ場合に限って追加質問をするということだ。書類の記入やサポートの問い合わせなどでミスを減らし、時間とストレスの節約につながる。モデルは高速なままなので、目立った遅延なくリアルタイムのチャットアプリで使える。開発者は、より賢い質問機能を自社製品に加えるためのコードも無料で利用できる。

## 出典と参考資料

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

最終更新: 2026-09-28