ETCHR: Edición para Clarificar y Aprovechar el Razonamiento

Resumen

Los Modelos de Lenguaje Grandes Multimodales han avanzado en el razonamiento visual, pero una cadena de pensamiento puramente textual sigue siendo un cuello de botella para preguntas que requieren un enfoque detallado o transformaciones de vista. El paradigma de "pensar con imágenes" reduce esta brecha, pero los enfoques existentes están limitados por kits de herramientas predefinidos fijos o producen imágenes intermedias ruidosas a partir de métodos multimodales unificados. Perseguimos una tercera opción: utilizar un modelo de edición de imágenes dedicado y desacoplarlo de un modelo de comprensión. Sin embargo, los editores de imágenes listos para usar fallan como asistentes de razonamiento debido a dos brechas complementarias: una brecha del lado del lenguaje, donde los editores entrenados como seguidores pasivos de instrucciones no pueden mapear una pregunta abstracta a una transformación visual adecuada, y una brecha del lado de la generación, donde la corrección de la edición se degrada a medida que aumenta la profundidad del razonamiento. Guiados por este análisis, presentamos ETCHR (Editing To Clarify and Harness Reasoning), un editor de imágenes condicionado por preguntas y consciente del razonamiento, desacoplado del modelo de comprensión posterior y entrenado con una receta de dos etapas dirigida a las dos brechas: Imitación de Razonamiento mediante ajuste fino supervisado en trayectorias de edición, seguida de Mejora del Razonamiento con recompensas derivadas de VLM para la corrección de la edición y la precisión del razonamiento posterior. Dado que el editor está desacoplado, ETCHR se integra en diferentes MLLMs de código abierto y cerrado de manera sin entrenamiento. En cinco familias de tareas (percepción detallada, comprensión de gráficos, razonamiento lógico, restauración de rompecabezas y comprensión 3D), ETCHR eleva el promedio de Pass@1 de 55.95 a 60.77 (+4.82) con Qwen3-VL-8B, de 65.08 a 70.55 (+5.47) con Gemini-3.1-Flash-Lite, y de 76.55 a 81.16 (+4.61) con el modelo MoE de 1T parámetros Kimi K2.5.

English

Multimodal Large Language Models have advanced visual reasoning, yet a purely textual chain of thought remains a bottleneck for questions that require fine-grained focus or view transformations. The ''think with images'' paradigm narrows this gap, but existing approaches are either constrained by fixed predefined toolkits or produce noisy intermediate images from unified multimodal methods. We pursue a third option: using a dedicated image editing model and decouple it with an understanding model. However, off-the-shelf image editors fail as reasoning assistants with two complementary gaps: a language-side gap, where editors trained as passive instruction-followers cannot map an abstract question to an appropriate visual transformation, and a generation-side gap, where edit correctness degrades as reasoning depth grows. Guided by this analysis, we introduce ETCHR (Editing To Clarify and Harness Reasoning), a question-conditioned, reasoning-aware image editor decoupled from the downstream understanding model and trained with a two-stage recipe targeted at the two gaps: Reasoning Imitation via supervised fine-tuning on edit trajectories, followed by Reasoning Enhancement with VLM-derived rewards for edit correctness and downstream reasoning accuracy. Since the editor is decoupled, ETCHR plugs into different open- and closed-source MLLMs in a training-free manner. Across five task families (fine-grained perception, chart understanding, logic reasoning, jigsaw restoration, and 3D understanding), ETCHR raises average Pass@1 from 55.95 to 60.77 (+4.82) with Qwen3-VL-8B, from 65.08 to 70.55 (+5.47) with Gemini-3.1-Flash-Lite, and from 76.55 to 81.16 (+4.61) with the 1T-parameter MoE model Kimi K2.5.