LAVOIR为单次推理的AI决策加入智能追问

Furkan Yılmaz带领的研究团队于2026年9月28日在arXiv上发布了LAVOIR。LAVOIR是Laya决策引擎的一个版本，能够在同一次前向计算中同时给出答案，并判断哪些缺失信息最有助于改进答案。在基准数据集测试中，当每次对话最多提问半个问题时，它将准确率提高了14.1个百分点；在一个大型对话数据集上，它还将总体提问率从93%降至8.6%。该模型的回答耗时仍约为31毫秒，足以满足实时聊天需求。

研究背景

早期的AI助手，例如TypeSafe的Jev和开源模型Laya，都能在一次前向计算中回答输入的问题。它们会输出经过校准的概率，但从不要求用户补充信息。如果用户的消息缺少某项细节——比如某项政策适用于哪个部门——模型就只能猜。研究人员将这种局限称为“系统一”决策。

LAVOIR通过在每个答案选项旁加入可能缺失的信息槽位来解决这一问题。价值信息（VOI）估算会告诉模型，每个槽位能在多大程度上提高决策正确的概率。VOI数值无需人工标注即可学习：标准答案依据模式规则生成，大语言模型（LLM）负责撰写问题，另一个独立模型则检查文本。基尼不纯度上限可防止模型夸大预期收益。在一项受控研究中，LAVOIR的决策质量达到理论贝叶斯上限；其提问策略的表现也几乎与贪心预言机相同，后者总是选择价值最高的问题。

接下来会怎样

论文提供了开源代码和模型检查点，开发者可以将LAVOIR接入现有聊天工具或决策支持工具。由于它提问少得多，在客服、法律表格填写或医疗分诊等领域，既有望让用户体验保持顺畅，也能减少代价高昂的错误。作者计划在真实用户流量中测试该模型，并探索更精细的VOI上限，使其能够适应不同硬件的运行速度。

如果得到广泛应用，LAVOIR或将改变AI助手在速度与准确性之间的权衡方式。助手不再一味猜测，而只会在预期收益大于打断用户的成本时追问，让对话更有针对性。