Naukowcy zdefiniowali problem łączenia wielomodalnych encji bardziej szczegółowo, wykazując, że popularność to niewystarczająca miara rzadkości. Wprowadzili metryki strukturalne grafów wiedzy, które bardziej wiarygodnie uchwytują, jak dobrze dokumentowana i połączona jest dana encja. Okazało się, że podejście oparte wyłącznie na popularności przegapia wiele naprawdę rzadkich encji. Na testowych zestawach skupiających się na różnych definicjach rzadkości dokładność systemów state-of-the-art spada o 15,4-39,9 procent, co pokazuje, że różne definiacje rzadkości ujawniają zupełnie inne błędy systemów.
Aby rozwiązać te problemy, zespół zaproponował framework wolny od treningów, w którym model vision-language zdolny do rozumowania iteracyjnie przeszukuje i analizuje Wikipedię, dynamicznie zbierając dowody. Kluczowe odkrycie to fakt, że rozumowanie i wyszukiwanie informacji są wzajemnie uzupełniające się. Samo rozumowanie nie poprawia znacząco wyników na rzadkich encjach, a wyszukiwanie bez rozumowania poprawia wyniki na rzadkich encjach kosztem pogorszenia wyników ogólnych. Ich kombinacja daje najlepsze rezultaty.
System przetestowano na benchmarku MERLIN obejmującym pięć języków: hindi, indonezyjski, japoński, tamilski i wietnamski. Najlepszy zaproponowany system poprawił wyniki state-of-the-art o 6,9 procent ogółem i aż o 23,3 procent na problemowych fragmentach zawierających rzadkie encje. Naukowcy opublikowali również MERLIN-Rare - zestaw testów skupiających się na rzadkich encjach do ukierunkowanej oceny systemów.