Le mise à l'échelle au moment du test améliore le QCM visuel multilingue pour les petits VLM

L'étude examine si la mise à l'échelle au moment du test (TTS) se transfère aux petits modèles de vision-langage ouverts en utilisant le benchmark EXAMS-V, comparant les méthodes sur Qwen2.5-VL-7B-Instruct et Qwen3.5-4B.

• La parsabilité est le facteur principal du succès ; ajouter un indicateur de réponse standard et une étape de réparation guidée empêche les chaînes de raisonner sans s'engager sur une réponse.
• Augmenter la limite de tokens par chaîne de 1k à 2k récupère 3,7 points de pourcentage, tandis que l'augmentation des chaînes échantillonnées de 8 à 16 n'ajoute que 0,15 pp.
• La recherche en faisceau guidée par PRM est derrière la cohérence auto simple de 0,39 pp avec un coût plus de huit fois supérieur, et ni les critiques génératives ni les PRM multimodaux entraînés ne battent le vote majoritaire.
• Le modèle de politique lui-même fournit le plus grand gain (+11,4 pp), la meilleure configuration atteignant 84,1% sur la division test ImageCLEF 2026.

Les auteurs considèrent cela important car cela démontre qu'une mise à l'échelle simple du budget de décodage et du format de prompt donne de meilleurs résultats que des mécanismes de vérification complexes pour les petits VLM.