“System One” 决策模型（如 TypeSafe 的 Jev 与开源 Laya）能够在一次前向传播中给出带校准概率的答案，但无法主动询问信息缺口：当首条消息未说明两个部门的区别时，它们只能猜测。LAVOIR（Laya with Value‑Of‑Information Routing）在输入中把候选缺失信息（槽位）放在答案选项旁，使一次前向传播即可输出决策分布以及每个槽位的期望增益——即若向用户询问该槽位，正确决策概率的提升。VOI 目标无需人工标注：金标准决策来源于模式规则，LLM 负责生成消息与答案，另一模型族负责校验文本，多个用户画像的配对让实际增益回归估计期望增益。Gini‑impurity 上限约束预测值不超过校准模型还能获得的提升。受控实验表明，在已见模式上决策误差与贝叶斯上限无显著差异；最终模型的提问策略在已见模式上与贪婪 VOI 哨兵相匹配（AUC 0.799 对 0.797），且在每轮对话最多 0.5 条提问时比永不提问提升 14.1 分。真实 ABCD 对话中，一次有效提问提升准确率 8.3 分，而未提问时保持不变；在 SGD 数据上，上限将提问率从 93% 降至 8.6%。在 Laya 的十二项基准中，LAVOIR 在七项上超越 Laya 报告的分数，且在 GH200 上的回答中位时延为 31 ms。
点评