ETCHR: Edição para Esclarecer e Aproveitar o Raciocínio

Resumo

Modelos de Linguagem de Grande Escala Multimodais avançaram o raciocínio visual, mas uma cadeia de pensamento puramente textual continua sendo um gargalo para questões que exigem foco detalhado ou transformações de perspectiva. O paradigma "pensar com imagens" reduz essa lacuna, mas as abordagens existentes são limitadas por conjuntos de ferramentas pré-definidos ou produzem imagens intermediárias ruidosas a partir de métodos multimodais unificados. Buscamos uma terceira opção: usar um modelo de edição de imagem dedicado e desacoplá-lo de um modelo de compreensão. No entanto, editores de imagem prontos para uso falham como assistentes de raciocínio devido a duas lacunas complementares: uma lacuna no lado da linguagem, onde editores treinados como seguidores passivos de instruções não conseguem mapear uma questão abstrata para uma transformação visual apropriada, e uma lacuna no lado da geração, onde a correção da edição se degrada à medida que a profundidade do raciocínio aumenta. Guiados por esta análise, apresentamos o ETCHR (Editing To Clarify and Harness Reasoning — Editar para Esclarecer e Aproveitar o Raciocínio), um editor de imagem condicionado à pergunta e ciente do raciocínio, desacoplado do modelo de compreensão subsequente e treinado com uma abordagem em duas etapas direcionada às duas lacunas: Imitação de Raciocínio via ajuste fino supervisionado em trajetórias de edição, seguida por Aprimoramento de Raciocínio com recompensas derivadas de VLM para correção da edição e precisão do raciocínio downstream. Como o editor é desacoplado, o ETCHR se integra a diferentes MLLMs de código aberto e fechado sem necessidade de treinamento. Em cinco famílias de tarefas (percepção detalhada, compreensão de gráficos, raciocínio lógico, restauração de quebra-cabeças e compreensão 3D), o ETCHR eleva a média Pass@1 de 55,95 para 60,77 (+4,82) com o Qwen3-VL-8B, de 65,08 para 70,55 (+5,47) com o Gemini-3.1-Flash-Lite, e de 76,55 para 81,16 (+4,61) com o modelo MoE de 1 trilhão de parâmetros 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.