LAVOIR acrescenta perguntas inteligentes de acompanhamento a decisões de passagem única da IA

Pesquisadores liderados por Furkan Yılmaz apresentaram o LAVOIR no arXiv em 28 de setembro de 2026. O LAVOIR é uma versão do mecanismo de decisão Laya capaz de identificar, na mesma passagem de processamento, tanto a resposta quanto as informações que faltam e que mais poderiam melhorá-la. Em testes com conjuntos de dados de referência, o modelo aumentou a precisão em 14,1 pontos fazendo, no máximo, meia pergunta por conversa e reduziu a taxa geral de perguntas de 93% para 8,6% em um grande conjunto de diálogos. O modelo ainda responde em cerca de 31 ms, rápido o bastante para conversas em tempo real.

Como chegamos até aqui

Assistentes de IA anteriores, como o Jev, da TypeSafe, e o Laya, de código aberto, respondiam a perguntas digitadas em uma única passagem de processamento. Eles produziam probabilidades calibradas, mas nunca pediam esclarecimentos. Se a mensagem do usuário omitia algum detalhe — por exemplo, a qual departamento uma política se aplicava —, o modelo tinha de adivinhar. Os pesquisadores chamaram essa limitação de tomada de decisão de “Sistema Um”.

O LAVOIR resolve o problema inserindo possíveis informações ausentes ao lado de cada opção de resposta. Uma estimativa do valor da informação (VOI, na sigla em inglês) indica quanto cada informação poderia aumentar a probabilidade de uma decisão correta. Os valores de VOI são aprendidos sem rótulos humanos: as decisões de referência são obtidas por meio de regras de esquema, um modelo de linguagem grande (LLM) redige as perguntas e outro modelo verifica o texto. Um limite baseado na impureza de Gini impede o modelo de prometer ganhos excessivos. Em um estudo controlado, a qualidade das decisões do LAVOIR igualou o limite teórico de Bayes, e sua estratégia para fazer perguntas teve desempenho quase idêntico ao de um oráculo guloso, que sempre escolhe a pergunta de maior valor.

O que vem a seguir

O artigo inclui código aberto e checkpoints do modelo, permitindo que desenvolvedores integrem o LAVOIR a ferramentas existentes de conversa ou apoio à decisão. Como faz muito menos perguntas, a experiência do usuário deve continuar fluida, ao mesmo tempo que se reduzem erros dispendiosos em áreas como atendimento ao cliente, preenchimento de formulários jurídicos ou triagem médica. Os autores planejam testar o modelo com tráfego de usuários reais e explorar limites de VOI mais graduais, adaptados a diferentes velocidades de hardware.

Se for amplamente adotado, o LAVOIR poderá mudar a forma como os assistentes de IA equilibram velocidade e precisão. Em vez de sempre adivinhar, eles só perguntarão quando o benefício esperado superar o custo da interrupção, tornando as conversas mais objetivas.