Los autores presentan una participación en el desafío compartido QANTA 2026 en el Taller ICML 2026 sobre Respuesta a Preguntas Multimodales Eficiente (EMM-QA), logrando la puntuación más alta general en el ranking de 0.402.

  • El sistema emplea una arquitectura de dos agentes específica para la tarea, diseñada para preguntas en estilo piramidal con texto e imágenes revelados incrementalmente.
  • El agente Tossup utiliza un modelo de clase GPT-4o-mini con respuesta calibrada por confianza y una política de razonamiento numérico para reducir predicciones excesivamente seguras.
  • El agente Bonus utiliza un modelo de clase GPT-4o con razonamiento consciente del contexto inicial, razonamiento relacional estructurado e integración de evidencia multimodal.
  • 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 las estrategias de razonamiento ligeras y específicas para la tarea pueden proporcionar un rendimiento sólido en benchmarks de respuesta a preguntas multimodales con recursos limitados.