論文の概要: Task-Specific Multimodal Question Answering Agents via Confidence Calibration and Incremental Reasoning for QANTA 2026

• arxiv url: http://arxiv.org/abs/2607.09623v1
• Date: Fri, 10 Jul 2026 17:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.912175
• Title: Task-Specific Multimodal Question Answering Agents via Confidence Calibration and Incremental Reasoning for QANTA 2026
• Title（参考訳）: QANTA 2026における信頼度校正とインクリメンタル推論によるタスク特化マルチモーダル質問応答エージェント
• Abstract要約: Quantaは、ピラミッドスタイルの質問に答えるマルチモーダルクイズボールシステムの評価を行う。 課題は2つの異なるタスクから成っている: Tossup question、不確実性の下でいつ答えるかを決めることを要求するTossup question、正確な答えの選択と人間の採用を強調するBonus questions。 このシステムではTossupスコアが0.238、Bonus Effectスコアが0.164を含む,総リーダボードスコアが0.402に達した。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present our submission to the QANTA 2026 shared challenge at the ICML 2026 Workshop on Efficient Multimodal Question Answering (EMM-QA). Quanta evaluates multimodal quizbowl systems that answer pyramid-style questions from incrementally revealed text and accompanying images while operating under realistic efficiency constraints. The challenge consists of two distinct tasks: Tossup questions, which require deciding when to answer under uncertainty, and Bonus questions, which emphasize accurate answer selection and human adoption. To address these differing objectives, we develop a task-specific two-agent architecture. Our Tossup agent utilizes a GPT-4o-mini-class model (referred to as GPT-4.1-mini in the competition logs) with confidence-calibrated answering and a domain-specific numeric reasoning policy that reduces overconfident predictions from isolated quantitative clues. Our Bonus agent uses GPT-4o-class model (referred to as GPT-4.1) with leadin-aware reasoning, structured relational reasoning, and multimodal evidence integration to improve exact answer selection. Rather than relying on a retrieval pipeline or model ensembles, our approach emphasizes efficient reasoning policies and confidence calibration within a hosted-only environment. Our system achieved the highest overall leaderboard score of 0.402, including a Tossup score of 0.238 and a Bonus Effect score of 0.164. The results demonstrate that lightweight, task-specific reasoning strategies can provide strong performance on resource-constrained multimodal question answering benchmarks.
• Abstract（参考訳）: 我々は、ICML 2026 Workshop on Efficient Multimodal Question Answering (EMM-QA)において、QANTA 2026共有課題を提示する。 Quantaは、現実的な効率の制約の下で操作しながら、段階的に公開されたテキストと付随する画像からピラミッドスタイルの質問に答えるマルチモーダルクイズボールシステムを評価する。 課題は2つの異なるタスクから成っている: Tossup question、不確実性の下でいつ答えるかを決めることを要求するTossup question、正確な答えの選択と人間の採用を強調するBonus questions。 これらの異なる目的に対処するため,タスク固有の2エージェントアーキテクチャを開発した。 我々のTossupエージェントはGPT-4o-mini-classモデル(競合ログではGPT-4.1-miniと参照)と、信頼度校正された回答と、孤立した量的手がかりから過信予測を減らすドメイン固有の数値推論ポリシーを利用する。 我々のBonusエージェントは、GPT-4oクラスモデル(GPT-4.1)を用いて、リードイン認識推論、構造化リレーショナル推論、マルチモーダルエビデンス統合を用いて、正確な回答選択を改善する。 提案手法は,検索パイプラインやモデルアンサンブルに頼るのではなく,効率的な推論ポリシと信頼性キャリブレーションをホストのみの環境で重視する。 このシステムではTossupスコアが0.238、Bonus Effectスコアが0.164を含む,総リーダボードスコアが0.402に達した。 その結果, 資源制約型マルチモーダル質問応答ベンチマークにおいて, 軽量なタスク固有推論手法により, 高い性能が得られることが示された。

関連論文リスト

• Asking Questions the Right Way: A Multi-Agent Conversational System for Prompt Formulation in Complex Task Resolution [0.0]
  大規模言語モデル(LLM)は複雑な知的タスクに不可欠なものであるが、出力品質はユーザが提供するプロンプトによって制約される。 本研究では,非構造化クエリを構造化プロンプトに変換する8つのエージェントのエージェント対話インタフェースPAWNIを提案する。 また、Essential、Extension、Elevationのカテゴリにまたがる18のプロンプト要素からなる3層フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-02T16:33:27Z)
• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• Neural at ArchEHR-QA 2026: One Method Fits All: Unified Prompt Optimization for Clinical QA over EHRs [2.7732306355664753]
  本稿では,CL4Health@LREC 2026におけるArchEHR-QA 2026共有タスクについて述べる。 DSPy の MIPROv21.5 を用いて,タスクを独立したモジュールステージに分離し,ハイパフォーマンスなプロンプトを自動的に検出する。
  論文  参考訳（メタデータ） (2026-05-11T17:27:30Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering [57.12316804290369]
  ユーザ固有の情報ニーズに質問応答システムを適用するためには,パーソナライゼーションが不可欠である。 本稿では,タスク固有の微調整を必要とせず,任意の大規模言語モデル (LLM) に適用可能な推論段階の方法として,思考の経路 (PoT) を提案する。 PoTは競争ベースラインを一貫して上回り、13.1%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2025-09-23T14:44:46Z)
• Reinforcing Question Answering Agents with Minimalist Policy Gradient Optimization [80.09112808413133]
  Mujicaは、質問をサブクエストの非循環グラフに分解するプランナーであり、検索と推論を通じて質問を解決するワーカーである。 MyGOは、従来のポリシー更新を勾配的いいねりの最大推定に置き換える、新しい強化学習手法である。 複数のデータセットにまたがる実験結果から,マルチホップQA性能向上における MujicaMyGO の有効性が示された。
  論文  参考訳（メタデータ） (2025-05-20T18:33:03Z)
• Collective Reasoning Among LLMs: A Framework for Answer Validation Without Ground Truth [0.0]
  いくつかの先進的な大規模言語モデルが複雑で博士レベルの確率問題を生成・解き出す新しいアプローチを導入する。 本研究は, 多様なモデル間の合意が, アウトプットの信頼性を如何に示すかに焦点を当てる。
  論文  参考訳（メタデータ） (2025-02-28T06:20:52Z)
• AQA: Adaptive Question Answering in a Society of LLMs via Contextual Multi-Armed Bandit [59.10281630985958]
  質問応答(QA)では、異なる質問を異なる回答戦略で効果的に扱うことができる。 本稿では,各質問に対して最適なQA戦略を適応的に選択する動的手法を提案する。 提案手法は,複数のモジュールを持つQAシステムの適応的オーケストレーションに有効であることを示す。
  論文  参考訳（メタデータ） (2024-09-20T12:28:18Z)
• MACAROON: Training Vision-Language Models To Be Your Engaged Partners [95.32771929749514]
  大規模視覚言語モデル(LVLM)は、質問が曖昧でラベルが付されていない場合でも詳細な応答を生成する。 本研究では,LVLMを受動的回答提供者から積極的参加パートナーへ移行することを目的とする。 我々は、LVLMに対して、ラベルなし質問に対するコントラスト応答対を自律的に生成するように指示する、ContrAstive pReference Optimizationのための自己iMaginAtionであるMACAROONを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T09:27:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。