ETCHR: Bewerken om Redenering te Verduidelijken en te Benutten

Samenvatting

Multimodale Grote Taalmodellen hebben visueel redeneren bevorderd, maar een puur tekstuele denkketen blijft een knelpunt voor vragen die een fijnmazige focus of beeldtransformaties vereisen. Het paradigma "denken met afbeeldingen" verkleint deze kloof, maar bestaande benaderingen worden ofwel beperkt door vaste vooraf gedefinieerde gereedschapskisten, of produceren ruisige tussentijdse afbeeldingen via uniforme multimodale methoden. Wij kiezen voor een derde optie: het gebruik van een specifiek beeldbewerkingsmodel en het ontkoppelen ervan van een begripsmodel. Kant-en-klare beeldbewerkers schieten echter tekort als redeneerassistenten vanwege twee complementaire hiaten: een taalkant-hiaat, waarbij bewerkers die zijn getraind als passieve instructievolgers een abstracte vraag niet kunnen vertalen naar een geschikte visuele transformatie, en een generatiekant-hiaat, waarbij de bewerkingscorrectheid afneemt naarmate de redeneerdiepte toeneemt. Geleid door deze analyse introduceren we ETCHR (Editing To Clarify and Harness Reasoning, bewerken om redeneren te verduidelijken en te benutten), een vraag-geconditioneerde, redeneerbewuste beeldbewerker die is ontkoppeld van het stroomafwaartse begripsmodel en is getraind met een tweestapsrecept dat gericht is op de twee hiaten: Redeneerimitatie via begeleide fijnafstemming op bewerkingstrajecten, gevolgd door Redeneerverbetering met VLM-afgeleide beloningen voor bewerkingscorrectheid en stroomafwaartse redeneernauwkeurigheid. Omdat de bewerker is ontkoppeld, kan ETCHR op een trainingsvrije wijze worden ingezet bij verschillende open- en gesloten bron MLLM's. Over vijf taakfamilies (fijnmazige waarneming, diagrambegrip, logisch redeneren, puzzelrestauratie en 3D-begrip) verhoogt ETCHR de gemiddelde Pass@1 van 55,95 naar 60,77 (+4,82) met Qwen3-VL-8B, van 65,08 naar 70,55 (+5,47) met Gemini-3.1-Flash-Lite, en van 76,55 naar 81,16 (+4,61) met het MoE-model met 1T parameters, 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.