# LAVOIR добавляет к ИИ-решениям за один проход умные уточняющие вопросы

> Согласно статье, опубликованной на arXiv 28 сентября, новая модель повышает точность ответов на 14 пунктов и при этом задаёт в среднем меньше одного вопроса за чат.

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

28 сентября 2026 года исследователи во главе с Фурканом Йылмазом представили LAVOIR на arXiv. LAVOIR — версия механизма принятия решений Laya, которая за один прямой проход может определить и ответ, и недостающие сведения, которые сильнее всего помогли бы его улучшить. В тестах на стандартных наборах данных точность выросла на 14,1 пункта, когда модель задавала не более половины вопроса за разговор, а на большом наборе диалогов общая частота уточняющих вопросов снизилась с 93% до 8,6%. Модель по-прежнему отвечает примерно за 31 мс — достаточно быстро для чата в реальном времени.

## Как мы к этому пришли

Ранние ИИ-помощники, такие как Jev от TypeSafe и программа с открытым исходным кодом Laya, отвечали на вопросы в один прямой проход. Они выдавали откалиброванные вероятности, но никогда не просили уточнений. Если в сообщении пользователя не хватало какой-то детали — например, к какому отделу относится правило, — модели приходилось угадывать. Исследователи назвали это ограничение принятием решений «Системой 1».

LAVOIR решает эту проблему, добавляя к каждому варианту ответа возможные недостающие параметры. Оценка ценности информации (VOI) показывает, насколько каждый такой параметр может повысить вероятность правильного решения. Значения VOI модель усваивает без разметки людьми: правильные ответы получают на основе правил схемы, большая языковая модель (LLM) формулирует вопросы, а отдельная модель проверяет текст. Ограничение на основе индекса Джини не позволяет модели обещать чрезмерный прирост. В контролируемом исследовании качество решений LAVOIR соответствовало теоретическому пределу Байеса, а стратегия выбора вопросов почти не отличалась от жадного оракула, который всегда задаёт вопрос с наибольшей ценностью.

## Что дальше

В статье опубликованы код с открытым исходным кодом и контрольные точки модели, поэтому разработчики могут встроить LAVOIR в существующие чаты или инструменты поддержки принятия решений. Поскольку модель задаёт гораздо меньше вопросов, общение должно оставаться комфортным, а число дорогостоящих ошибок в таких сферах, как поддержка клиентов, заполнение юридических форм и медицинская сортировка, — снижаться. Авторы планируют испытать модель на реальном потоке пользовательских запросов и изучить более гибкие ограничения VOI, учитывающие скорость разных устройств.

Если LAVOIR получит широкое распространение, он может изменить подход ИИ-помощников к балансу скорости и точности. Вместо того чтобы всегда угадывать, они будут задавать вопрос только тогда, когда ожидаемая польза перевешивает неудобство от прерывания, — и разговор станет более целенаправленным.

## Факты

- LAVOIR опубликована на arXiv 28 сентября 2026 года Фурканом Йылмазом и его коллегами.
- Если ограничить число вопросов половиной на разговор, LAVOIR повышает точность на 14,1 пункта по сравнению с моделью, которая вообще не задаёт вопросов.
- На наборе реальных диалогов ABCD один обмен с вопросом от LAVOIR повышает точность на 8,3 пункта.
- На большом наборе диалогов SGD модель снижает частоту вопросов с 93% до 8,6%, сохраняя качество.
- На оборудовании GH200 медианное время ответа LAVOIR составляет 31 мс.
- Площадь под ROC-кривой (AUC) для выбора вопросов составляет 0,799 — почти столько же, сколько у жадного оракула (0,797).

## Почему это важно

Для обычных пользователей LAVOIR означает, что ИИ-помощники будут реже ошибаться, если в запросе не хватает деталей, и станут задавать уточняющие вопросы только тогда, когда это действительно помогает. Это может сократить число ошибок при заполнении форм или обращении в службу поддержки, сэкономить время и уменьшить раздражение. Модель работает быстро, поэтому её можно использовать в чатах реального времени без заметных задержек. Кроме того, разработчики смогут бесплатно взять код и добавить более умные уточняющие вопросы в свои продукты.

## Источники и ссылки

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

Обновлено: 2026-09-28