LAVOIR lägger till smarta följdfrågor i AI-beslut som fattas i ett enda steg

Forskare under ledning av Furkan Yılmaz publicerade LAVOIR på arXiv den 28 september 2026. LAVOIR är en version av beslutsmotorn Laya som i samma framåtpass kan avgöra både svaret och vilken saknad information som skulle förbättra det mest. I tester på benchmarkdataset ökade träffsäkerheten med 14,1 procentenheter när modellen ställde högst en halv fråga per konversation. På ett stort dialogdataset sjönk den totala andelen konversationer där modellen ställde en fråga från 93 % till 8,6 %. Modellen svarar fortfarande på omkring 31 ms, tillräckligt snabbt för chatt i realtid.

Bakgrund

Tidigare AI-assistenter som TypeSafe’s Jev och Laya med öppen källkod besvarade skrivna frågor i ett enda framåtpass. De gav kalibrerade sannolikheter, men bad aldrig om förtydliganden. Om användarens meddelande saknar en detalj – till exempel vilken avdelning en policy gäller – måste modellen gissa. Forskarna kallar den här begränsningen för beslutsfattande av ”System One”-typ.

LAVOIR löser problemet genom att lägga till möjliga saknade uppgifter bredvid varje svarsalternativ. En uppskattning av informationsvärdet (VOI) visar hur mycket varje uppgift kan öka sannolikheten för ett korrekt beslut. VOI-värdena lärs in utan mänskliga etiketter: facitbesluten hämtas från schemaregler, en stor språkmodell (LLM) formulerar frågorna och en separat modell granskar texten. Ett tak baserat på Gini-impuritet hindrar modellen från att lova för stora förbättringar. I en kontrollerad studie motsvarade LAVOIR:s beslutskvalitet den teoretiska Bayes-gränsen, och dess strategi för att ställa frågor presterade nästan identiskt med en girig orakelmodell som alltid väljer frågan med högst värde.

Vad händer nu?

Artikeln innehåller kod och modellversioner med öppen källkod, så utvecklare kan integrera LAVOIR i befintliga chatt- och beslutsstödsverktyg. Eftersom modellen ställer betydligt färre frågor bör användarupplevelsen förbli smidig, samtidigt som kostsamma misstag kan minska inom områden som kundsupport, juridiska blanketter och medicinsk triage. Författarna planerar att testa modellen på trafik från verkliga användare och undersöka mer finjusterade VOI-tak som anpassas efter olika maskinvaruhastigheter.

Om LAVOIR får stor spridning kan modellen förändra hur AI-assistenter väger snabbhet mot träffsäkerhet. I stället för att alltid gissa kommer de bara att fråga när den förväntade nyttan väger tyngre än avbrottet, vilket kan göra samtalen mer ändamålsenliga.