著者らは、ICML 2026ワークショップ Efficient Multimodal Question Answering (EMM-QA) の QANTA 2026 シェアドチャレンジへの提出を発表し、総合リーダーボードスコア 0.402 を達成しました。

  • システムは、Tossup および Bonus 質問に特化した2エージェントアーキテクチャを使用しています。
  • Tossup エージェントは、過剰な自信による予測を減らすために、信頼度キャリブレーションされた回答と数値推論を採用しています。
  • Bonus エージェントは、正確な回答の選択のために、リードイン認識型推論とマルチモーダル証拠の統合を利用しています。
  • このアプローチは、検索パイプラインやモデルアンサンブルを避け、ホスト専用環境内で効率的な推論ポリシーに依存しています。

結果は、軽量なタスク固有の推論戦略が、リソース制約のあるマルチモーダル質問応答ベンチマークで強力なパフォーマンスを提供できることを示しています。