นักวิจัยเสนอ BALAR (Bayesian Agentic Loop for Active Reasoning) ซึ่งเป็นอัลกอริทึมแบบ Task-agnostic สำหรับการโต้ตอบระหว่าง AI Agent และผู้ใช้ โดยจุดเด่นคือ BALAR ไม่จำเป็นต้องมีการ Fine-tuning รุ่นภาษาขนาดใหญ่ (LLM) แต่ใช้วิธีการสร้างโครงสร้างการคิดแบบ Bayesian เพื่อระบุสถานะของข้อมูลที่ขาดหายไป
BALAR จะเลือกคำถามโดยการคำนวณเพื่อเพิ่มค่าข้อมูลที่คาดหวัง (Expected Mutual Information) และสามารถขยายการรับรู้ข้อมูลได้เองหากพบว่าข้อมูลปัจจุบันไม่เพียงพอ จากการทดสอบในหลากหลายเกณฑ์เปรียบเทียบ เช่น การวิเคราะห์คดีสืบสวนและการวินิจฉัยโรค BALAR มีประสิทธิภาพสูงกว่าระบบเดิมอย่างมาก โดยมีความแม่นยำสูงขึ้นถึง 38.5% ในงานทดสอบด้านการไขปริศนา
