Авторы представляют заявку на совместный вызов QANTA 2026 на воркшопе ICML 2026 по эффективному мультимодальному ответу на вопросы (EMM-QA), достигнув наивысшего общего балла в лидерборде — 0.402.
- Система использует архитектуру из двух агентов, специфичную для задачи, предназначенную для вопросов пирамидального типа с постепенно раскрываемым текстом и изображениями.
- Агент Tossup использует модель класса GPT-4o-mini с калиброванным ответом на вопросы и политикой численного рассуждения для снижения излишне уверенных предсказаний.
- Агент Bonus использует модель класса GPT-4o с учетом контекста при рассуждении, структурированным реляционным рассуждением и интеграцией мультимодальных доказательств.
- Подход избегает конвейеров извлечения информации или ансамблей моделей, полагаясь вместо этого на эффективные политики рассуждения в среде, работающей только на стороне хоста.
Результаты демонстрируют, что легкие, специфичные для задачи стратегии рассуждения могут обеспечивать высокую производительность на мультимодальных бенчмарках ответа на вопросы с ограниченными ресурсами.