Les auteurs présentent une soumission au défi partagé QANTA 2026 lors de l'atelier ICML 2026 sur la réponse aux questions multimodales efficaces (EMM-QA), atteignant le score de classement général le plus élevé de 0,402.

  • Le système utilise une architecture à deux agents spécifiques à la tâche conçue pour les questions de style pyramidal avec du texte et des images révélés progressivement.
  • L'agent Tossup utilise un modèle de classe GPT-4o-mini-class avec une réponse étalonnée en confiance et une politique de raisonnement numérique pour réduire les prédictions trop confiantes.
  • L'agent Bonus utilise un modèle de classe GPT-4o-class avec un raisonnement conscient du lead-in, un raisonnement relationnel structuré et une intégration de preuves multimodales.
  • L'approche évite les pipelines de récupération ou les ensembles de modèles, s'appuyant plutôt sur des politiques de raisonnement efficaces dans un environnement hébergé uniquement.

Les résultats démontrent que des stratégies de raisonnement légères et spécifiques à la tâche peuvent offrir de fortes performances sur des benchmarks de réponse aux questions multimodales sous contraintes de ressources.