ETCHR: 推論を明確化し活用するための編集

要旨

マルチモーダル大規模言語モデルは視覚的推論を進歩させてきたが、微細な焦点や視点変換を必要とする質問に対しては、テキストのみの連鎖思考が依然としてボトルネックとなっている。「画像を用いた思考」パラダイムはこのギャップを縮めるが、既存の手法は固定された事前定義ツールキットに制約されるか、統合マルチモーダル手法からノイズの多い中間画像を生成する。我々は第三の選択肢、すなわち専用の画像編集モデルを使用し、それを理解モデルと分離する方法を追求する。しかし、既製の画像エディタは推論アシスタントとして機能する際に、二つの相補的なギャップを抱えている。すなわち、受動的な指示追従型として訓練されたエディタが抽象的な質問を適切な視覚変換にマッピングできないという言語側のギャップと、推論の深さが増すにつれて編集の正確性が低下するという生成側のギャップである。この分析に基づき、我々はETCHR（Editing To Clarify and Harness Reasoning）を導入する。これは質問条件付きで推論を認識する画像エディタであり、下流の理解モデルから分離され、二つのギャップを対象とした二段階の手法で訓練される。すなわち、編集軌跡に関する教師ありファインチューニングによる推論模倣と、それに続くVLM由来の報酬を用いた編集正確性および下流の推論精度に対する推論強化である。エディタが分離されているため、ETCHRは学習不要の方法で様々なオープンソースおよびクローズドソースのMLLMにプラグイン可能である。5つのタスクファミリー（微細知覚、グラフ理解、論理推論、ジグソー復元、3D理解）において、ETCHRは平均Pass@1をQwen3-VL-8Bで55.95から60.77（+4.82）、Gemini-3.1-Flash-Liteで65.08から70.55（+5.47）、1TパラメータのMoEモデルKimi K2.5で76.55から81.16（+4.61）に引き上げた。

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.