# LAVOIR, tek geçişte karar veren yapay zekâya akıllı takip soruları ekliyor

> 28 Eylül tarihli arXiv makalesine göre yeni model, sohbet başına birden az soru sorarken yanıt doğruluğunu 14 puana kadar artırıyor.

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

Furkan Yılmaz liderliğindeki araştırmacılar, LAVOIR’ı 28 Eylül 2026’da arXiv’de yayımladı. LAVOIR, Laya karar motorunun aynı ileri geçişte hem yanıtını hem de bu yanıtı en çok iyileştirecek eksik bilgileri belirleyebilen bir sürümü. Kıyaslama veri kümelerinde yapılan testlerde, konuşma başına en fazla yarım soru sorduğunda doğruluğu 14,1 puan artırdı; büyük bir diyalog kümesinde ise soru sorma oranını yüzde 93’ten yüzde 8,6’ya düşürdü. Model, yaklaşık 31 ms’de yanıt vermeyi sürdürüyor; bu da gerçek zamanlı sohbet için yeterince hızlı.

## Buraya nasıl gelindi?

TypeSafe’in Jev’i ve açık kaynaklı Laya gibi önceki yapay zekâ yardımcıları, yazılı soruları tek bir ileri geçişte yanıtlıyordu. Kalibre edilmiş olasılıklar sunuyor, ancak hiçbir zaman açıklama istemiyorlardı. Kullanıcının mesajında bir ayrıntı eksikse —örneğin bir politikanın hangi departman için geçerli olduğu— model tahminde bulunmak zorunda kalıyordu. Araştırmacılar bu kısıtlı karar verme biçimini “Sistem Bir” olarak adlandırdı.

LAVOIR, her yanıt seçeneğinin yanına olası eksik bilgi alanları ekleyerek bu sorunu çözüyor. Bilginin değeri (VOI) tahmini, her bir alanın doğru karar olasılığını ne kadar artırabileceğini modele bildiriyor. VOI değerleri insan etiketleri kullanılmadan öğreniliyor: Doğru kararlar şema kurallarından çıkarılıyor, soruları büyük dil modeli (LLM) yazıyor ve ayrı bir model metni denetliyor. Gini safsızlığına dayalı bir üst sınır, modelin sağlayacağı kazanımları abartmasını önlüyor. Kontrollü bir çalışmada LAVOIR’ın karar kalitesi teorik Bayes üst sınırına ulaştı; soru sorma politikası da her zaman en yüksek değere sahip soruyu seçen açgözlü kâhinin politikasına neredeyse tamamen denk performans gösterdi.

## Sırada ne var?

Makale açık kaynak kodu ve model kontrol noktalarını içeriyor; böylece geliştiriciler LAVOIR’ı mevcut sohbet veya karar destek araçlarına ekleyebilir. Çok daha az soru sorduğu için kullanıcı deneyiminin akıcı kalması, müşteri desteği, yasal form doldurma veya tıbbi triyaj gibi alanlarda maliyetli hataların da azalması bekleniyor. Yazarlar modeli gerçek kullanıcı trafiğinde test etmeyi ve farklı donanım hızlarına uyum sağlayan, daha ayrıntılı VOI üst sınırlarını araştırmayı planlıyor.

LAVOIR yaygın biçimde benimsenirse, yapay zekâ asistanlarının hız ile doğruluk arasındaki dengeyi kurma biçimini değiştirebilir. Sürekli tahmin yürütmek yerine, beklenen fayda kesintinin maliyetini aştığında soru sorarak sohbetlerin daha amaca yönelik olmasını sağlayabilir.

## Gerçekler

- LAVOIR, Furkan Yılmaz ve çalışma arkadaşları tarafından 28 Eylül 2026’da arXiv’de yayımlandı.
- Sohbet başına 0,5 soruyla sınırlandırıldığında LAVOIR, hiç soru sormayan bir modele kıyasla doğruluğu 14,1 puan artırıyor.
- ABCD gerçek dünya konuşma kümesinde, LAVOIR’ın sorduğu tek bir soru-cevap alışverişi doğruluğu 8,3 puan artırıyor.
- Büyük SGD diyalog veri kümesinde model, performansını korurken soru sorma oranını yüzde 93’ten yüzde 8,6’ya indiriyor.
- LAVOIR, GH200 donanımında bir soruyu medyan 31 ms’de yanıtlıyor.
- Soru seçme AUC değeri 0,799; bu, açgözlü kâhinin 0,797 değerine neredeyse eşit.

## Neden önemli

Gündelik kullanıcılar için LAVOIR, bir ayrıntı eksik olduğunda yapay zekâ asistanlarının yanlış tahminde bulunma olasılığının azalması ve yalnızca gerçekten fayda sağlayacaksa takip sorusu sorması anlamına geliyor. Bu, form doldurma veya destek alma gibi işlerdeki hataları azaltarak zaman kazandırabilir ve can sıkıntısını önleyebilir. Model hızlı çalıştığından, gerçek zamanlı sohbet uygulamalarında fark edilir bir gecikme olmadan kullanılabilir. Geliştiriciler de kendi ürünlerine daha akıllı soru sorma özelliği eklemek için ücretsiz koddan yararlanabilir.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-09-28