El estudio examina si la escalación en tiempo de prueba (TTS) se transfiere a modelos de visión e idioma abiertos pequeños utilizando el benchmark multilingüe de opción múltiple visual EXAMS-V. Compara la autoconsistencia, describir-razonar con búsqueda en haz guiada por PRM y selectores post-hoc entre Qwen2.5-VL-7B-Instruct y Qwen3.5-4B.
- La analizableidad es el factor más importante; un formato de prompt inicial impedía el compromiso de respuesta, lo que se corrigió con una indicación estándar de respuesta y un paso de reparación guiada.
- Aumentar el límite de tokens por cadena de 1k a 2k recupera 3.7 pp, mientras que muestrear más cadenas (de 8 a 16) añade solo 0.15 pp.
- Los métodos elaborados contribuyen poco una vez que las cadenas pueden finalizar; la búsqueda en haz guiada por PRM queda atrás de la autoconsistencia simple en 0.39 pp con un costo más de ocho veces mayor.
- Ni un crítico generativo sin entrenamiento ni un PRM multimodal entrenado supera el voto mayoritario entre ambas políticas.
- La mayor ganancia proviene del propio modelo de política (+11.4 pp), alcanzando la mejor configuración el 84.1% en ImageCLEF 2026.
Los autores consideran importante esto porque los ajustes simples al formato del prompt y al presupuesto de decodificación producen ganancias significativas sin el alto costo de maquinaria de verificación compleja.