# LAVOIR voegt slimme vervolgvragen toe aan AI-beslissingen in één stap

> Het nieuwe model verhoogt de nauwkeurigheid met maximaal 14 punten en stelt gemiddeld minder dan één vraag per chat, meldt een paper op arXiv van 28 september.

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

Onderzoekers onder leiding van Furkan Yılmaz hebben LAVOIR op 28 september 2026 gepubliceerd op arXiv. LAVOIR is een versie van de Laya-beslissingsengine die in dezelfde forward pass zowel het antwoord kan geven als kan bepalen welke ontbrekende informatie dat antwoord het meest zou verbeteren. In tests met benchmarkdatasets steeg de nauwkeurigheid met 14,1 punten wanneer het model gemiddeld hooguit een halve vraag per gesprek stelde. Op een grote dataset met dialogen daalde het totale percentage gesprekken waarin een vraag werd gesteld van 93% naar 8,6%. Het model geeft nog steeds binnen ongeveer 31 ms antwoord, snel genoeg voor realtime chat.

## Hoe we hier zijn gekomen

Eerdere AI-assistenten, zoals Jev van TypeSafe en het opensourceproject Laya, beantwoordden vragen in één forward pass. Ze gaven gekalibreerde waarschijnlijkheden, maar vroegen nooit om verduidelijking. Als een gebruiker een detail weglaat — bijvoorbeeld op welke afdeling een beleid van toepassing is — moet het model gokken. Onderzoekers noemden deze beperking besluitvorming volgens ‘System One’.

LAVOIR lost dit op door bij elke antwoordoptie mogelijke ontbrekende gegevensvelden toe te voegen. Een schatting van de informatiewaarde (VOI) geeft aan hoeveel elk veld de kans op een juiste beslissing kan vergroten. De VOI-waarden worden geleerd zonder menselijke labels: de juiste beslissingen volgen uit schemaregels, een groot taalmodel (LLM) stelt de vragen op en een apart model controleert de tekst. Een limiet op basis van de Gini-impuriteit voorkomt dat het model te veel verbetering belooft. In een gecontroleerd onderzoek kwam de kwaliteit van LAVOIRs beslissingen overeen met het theoretische Bayes-plafond. Ook presteerde het vraagbeleid vrijwel hetzelfde als een gulzige oracle die altijd de vraag met de hoogste waarde kiest.

## Wat gebeurt er nu

De paper bevat opensourcecode en modelcheckpoints, zodat ontwikkelaars LAVOIR kunnen integreren in bestaande chat- of beslissingsondersteunende tools. Doordat het veel minder vragen stelt, blijft de gebruikerservaring soepel en kunnen kostbare fouten worden voorkomen in bijvoorbeeld klantenservice, het invullen van juridische formulieren of medische triage. De auteurs willen het model testen met live gebruikersverkeer en onderzoeken hoe fijnmaziger VOI-limieten kunnen worden afgestemd op verschillende hardwaresnelheden.

Als LAVOIR breed wordt toegepast, kan het de manier veranderen waarop AI-assistenten snelheid en nauwkeurigheid tegen elkaar afwegen. In plaats van altijd te gokken, stellen ze alleen een vraag als het verwachte voordeel opweegt tegen de onderbreking. Zo voelen gesprekken doelgerichter aan.

## De feiten

- LAVOIR is op 28 september 2026 door Furkan Yılmaz en collega’s gepubliceerd op arXiv.
- Wanneer LAVOIR wordt beperkt tot 0,5 vraag per gesprek, verhoogt het de nauwkeurigheid met 14,1 punten ten opzichte van een model dat nooit iets vraagt.
- Op de ABCD-dataset met gesprekken uit de praktijk verhoogt één door LAVOIR gestelde vraag de nauwkeurigheid met 8,3 punten.
- Op de grote SGD-dataset met dialogen verlaagt het model het percentage gesprekken waarin het een vraag stelt van 93% naar 8,6%, terwijl de prestaties op peil blijven.
- LAVOIR beantwoordt een vraag op GH200-hardware in een mediane tijd van 31 ms.
- De AUC voor de vraagselectie is 0,799, vrijwel gelijk aan de 0,797 van een gulzige oracle.

## Waarom het ertoe doet

Voor gewone gebruikers betekent LAVOIR dat AI-assistenten minder snel verkeerd zullen gokken wanneer er informatie ontbreekt. Ze onderbreken je alleen met een vervolgvraag als die echt iets toevoegt. Dat kan fouten bij taken als formulieren invullen of hulp krijgen verminderen, tijd besparen en frustratie voorkomen. Omdat het model snel blijft, kan het zonder merkbare vertraging worden gebruikt in realtime-chatapps. Ontwikkelaars krijgen bovendien gratis code om slimmere vraagstelling aan hun eigen producten toe te voegen.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-09-28