El estudio examina si el escalado en tiempo de prueba (TTS) se transfiere a pequeños modelos de visión y lenguaje abiertos utilizando el benchmark EXAMS-V, comparando métodos en Qwen2.5-VL-7B-Instruct y Qwen3.5-4B.
- La parseabilidad es el factor principal para el éxito; agregar una pista de respuesta estándar y un paso de reparación guiada previene que las cadenas razonen sin comprometerse con una respuesta.
- Aumentar el límite de tokens por cadena de 1k a 2k recupera 3,7 puntos porcentuales, mientras que aumentar las cadenas muestreadas de 8 a 16 añade solo 0,15 pp.
- La búsqueda en haz guiada por PRM se queda atrás de la autoconsistencia simple por 0,39 pp con más de ocho veces el costo, y ni los críticos generativos ni los PRM multimodales entrenados superan a la votación mayoritaria.
- El propio modelo de política proporciona la mayor ganancia (+11,4 pp), alcanzando la mejor configuración un 84,1% en la división de prueba ImageCLEF 2026.
Los autores consideran esto importante porque demuestra que el escalado simple del presupuesto de decodificación y el formato del prompt produce mejores resultados que maquinaria de verificación compleja para pequeños VLM.