第一段階の発見として、YANAMIは状態管理を重視した初の大規模マルチモーダル対話データセットである。

データセットは、参照解決・文脈検索・一貫性保持・空間・物理一貫性・制約保持・訂正ベース状態更新の6つの能力を取り入れ、マルチ画像統合・画像編集・世界モデリング・視覚推論の4つのシナリオで構築されている。

フィンチューニングを行ったBAGELは、YANAMI‑400Kでマルチモーダル状態管理スコアを13.23 %向上させ、一般的な視覚理解能力は保持された。

評価では、統一マルチモーダルモデルと画像編集モデルの平均スコアが67.41と67.30で、閉鎖ソースモデルとの大きなギャップが確認された。

しかし、現在のモデルは対話状態の維持・更新・視覚化に依然として苦戦しており、状態理解と視覚実現の間に持続的な差が存在する。

（図 1　YANAMIのマルチモーダル対話構造を示す） （表 2　各シナリオでのモデルスコアと性能ギャップをまとめた結果）