Os autores apresentam uma submissão ao desafio compartilhado QANTA 2026 no Workshop ICML 2026 sobre Resposta a Perguntas Multimodais Eficiente (EMM-QA), alcançando a maior pontuação geral no ranking de 0.402.
- O sistema emprega uma arquitetura de dois agentes específica para a tarefa, projetada para perguntas em estilo piramidal com texto e imagens revelados incrementalmente.
- O agente Tossup utiliza um modelo da classe GPT-4o-mini com resposta calibrada por confiança e uma política de raciocínio numérico para reduzir previsões excessivamente confiantes.
- O agente Bonus utiliza um modelo da classe GPT-4o com raciocínio consciente do lead-in, raciocínio relacional estruturado e integração de evidência multimodal.
- A abordagem evita pipelines de recuperação ou conjuntos de modelos, confiando em vez disso em políticas de raciocínio eficientes dentro de um ambiente apenas hospedado.
Os resultados demonstram que estratégias de raciocínio leves e específicas para a tarefa podem fornecer desempenho robusto em benchmarks de resposta a perguntas multimodais com recursos limitados.