Los autores presentan una participación en el desafío compartido QANTA 2026 en el Taller ICML 2026 sobre Respuesta a Preguntas Multimodales Eficientes (EMM-QA), logrando la puntuación más alta general en la tabla de clasificación de 0.402.
- El sistema utiliza una arquitectura de dos agentes adaptada a las preguntas Tossup y Bonus.
- El agente Tossup emplea GPT-4o-mini-class con respuesta calibrada por confianza y razonamiento numérico para reducir predicciones excesivamente seguras.
- El agente Bonus utiliza GPT-4o-class con razonamiento consciente del contexto inicial e integración de evidencia multimodal para una selección precisa de la respuesta.
- El enfoque evita pipelines de recuperación o conjuntos de modelos, confiando en cambio en políticas de razonamiento eficientes dentro de un entorno solo alojado.
Los resultados demuestran que estrategias de razonamiento ligeras y específicas de tarea pueden ofrecer un rendimiento sólido en benchmarks de respuesta a preguntas multimodales con recursos limitados.