# LAVOIR为单次推理的AI决策加入智能追问

> 根据9月28日发布的一篇arXiv论文，这款新模型每次聊天平均提问不到一个，却能将答案准确率提高最多14个百分点。

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

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。

## 事实

- LAVOIR由Furkan Yılmaz及其合作者于2026年9月28日发布在arXiv上。
- 将每次对话的提问数限制为0.5个时，与从不提问的模型相比，LAVOIR可将准确率提高14.1个百分点。
- 在ABCD真实对话数据集上，LAVOIR提问一次并进行一轮交流，可将准确率提高8.3个百分点。
- 在大型SGD对话数据集上，该模型在保持表现的同时，将提问率从93%降至8.6%。
- 在GH200硬件上，LAVOIR回答问题的中位耗时为31毫秒。
- 其问题选择AUC为0.799，基本与贪心预言机的0.797持平。

## 为什么重要

对普通用户来说，如果缺少某项细节，LAVOIR能降低AI助手答错的可能性；只有在追问确实有帮助时，助手才会打断你。这有望减少填写表格或寻求客服支持等任务中的错误，节省时间并降低挫败感。由于模型运行速度快，它可以用于实时聊天应用，几乎不会带来明显延迟。开发者也能免费获取代码，为自己的产品加入更智能的追问功能。

## 来源与参考

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

最后更新: 2026-09-28