El estudio examina si la escalación en tiempo de prueba (TTS) se transfiere a modelos pequeños de visión y lenguaje abiertos utilizando el benchmark EXAMS-V, comparando métodos como consistencia propia y búsqueda en haz guiada por PRM en Qwen2.5-VL-7B-Instruct y Qwen3.5-4B.

  • La parseabilidad es el factor más grande; añadir una pista de respuesta estándar y un paso de reparación guiada previene que las cadenas fallen al comprometerse con una letra de respuesta.
  • 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 tienen espacio para terminar; la búsqueda en haz guiada por PRM queda atrás de la consistencia propia 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 a través de ambas políticas.

La mejor configuración alcanza el 84,1% en la división de prueba ImageCLEF 2026 retenida, ocupando el primer lugar en el ranking de MCQ visuales.