Авторы представляют заявку на совместный вызов QANTA 2026 на воркшопе ICML 2026 по эффективному мультимодальному ответу на вопросы (EMM-QA), достигнув высшего общего результата в таблице лидеров — 0.402.
- Система использует двухагентную архитектуру, адаптированную для вопросов типа Tossup и Bonus.
- Агент Tossup применяет GPT-4o-mini-class с калибровкой уверенности при ответах и численным рассуждением для снижения излишне уверенных предсказаний.
- Агент Bonus использует GPT-4o-class с учетом контекста в начале ответа и интеграцией мультимодальных доказательств для точного выбора ответа.
- Подход избегает конвейеров извлечения информации или ансамблей моделей, полагаясь вместо этого на эффективные стратегии рассуждения в среде, работающей только на стороне хоста.
Результаты демонстрируют, что легкие, специализированные стратегии рассуждения могут обеспечивать высокую производительность на мультимодальных бенчмарках ответа на вопросы с ограниченными ресурсами.