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 multilingue EXAMS-V à choix multiples visuels. Elle compare la cohérence auto, le décrire-ensuite-raisonner avec une recherche en faisceau guidée par PRM, et les sélecteurs post-hoc sur Qwen2.5-VL-7B-Instruct et Qwen3.5-4B.
- La parsabilité est le facteur le plus important ; un format de prompt précoce empêchait l'engagement de la réponse, ce qui a été corrigé par une indication de réponse standard et une étape de réparation guidée.
- Augmenter la limite de tokens par chaîne de 1k à 2k récupère 3,7 pp, tandis que l'échantillonnage de plus de chaînes (de 8 à 16) n'ajoute que 0,15 pp.
- Les méthodes élaborées contribuent peu une fois que les chaînes peuvent se terminer ; la recherche en faisceau guidée par PRM est inférieure à la cohérence auto simple de 0,39 pp pour un coût plus de huit fois supérieur.
- Ni un critique génératif sans entraînement ni un PRM multimodal entraîné ne bat le vote majoritaire sur les deux politiques.
- Le gain le plus important provient du modèle de politique lui-même (+11,4 pp), la meilleure configuration atteignant 84,1 % sur ImageCLEF 2026.
Les auteurs jugent cela important car des ajustements simples au format du prompt et au budget de décodage produisent des gains significatifs sans le coût élevé d'une machinerie de vérification complexe.