著者らは、ICML 2026ワークショップ「効率的なマルチモーダル質問応答（EMM-QA）」で行われたQANTA 2026共有課題への提出物を発表し、総合リーダーボードスコア0.402という最高得点を達成しました。

  • このシステムは、段階的に公開されるテキストと画像を対象としたピラミッド形式の質問用に設計されたタスク固有の2エージェントアーキテクチャを採用しています。
  • Tossupエージェントは、GPT-4o-mini-classモデルを使用し、信頼性較正された回答方式と数値推論ポリシーにより、過信な予測を削減します。
  • Bonusエージェントは、GPT-4o-classモデルを使用し、リードイン認識型推論、構造化された関係的推論、マルチモーダル証拠の統合を行います。
  • 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回避し、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。

この結果は、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。