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

> Segundo um artigo publicado no arXiv em 28 de setembro, o novo modelo melhora a precisão das respostas em até 14 pontos e faz menos de uma pergunta por conversa.

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

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.

## Os fatos

- O LAVOIR foi publicado no arXiv em 28 de setembro de 2026 por Furkan Yılmaz e colaboradores.
- Quando limitado a 0,5 pergunta por conversa, o LAVOIR aumenta a precisão em 14,1 pontos em relação a um modelo que nunca pergunta.
- No conjunto de conversas reais ABCD, uma única interação iniciada por uma pergunta do LAVOIR eleva a precisão em 8,3 pontos.
- No grande conjunto de diálogos SGD, o modelo reduz sua taxa de perguntas de 93% para 8,6%, mantendo o desempenho.
- O LAVOIR responde a uma pergunta em uma mediana de 31 ms no hardware GH200.
- A AUC de seleção de perguntas do modelo é 0,799, praticamente igual à de 0,797 do oráculo guloso.

## Por que importa

Para quem usa IA no dia a dia, o LAVOIR significa menos chances de o assistente errar quando falta algum detalhe e menos interrupções com perguntas de acompanhamento que não ajudam de verdade. Isso pode reduzir erros em tarefas como preencher formulários ou pedir suporte, economizando tempo e evitando frustração. Como o modelo continua rápido, pode ser usado em aplicativos de conversa em tempo real sem atrasos perceptíveis. Os desenvolvedores também têm acesso gratuito ao código para incorporar perguntas mais inteligentes aos próprios produtos.

## Fontes e referências

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

Última atualização: 2026-09-28