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 des méthodes comme la cohérence auto et la recherche en faisceau guidée par PRM sur Qwen2.5-VL-7B-Instruct et Qwen3.5-4B.
- La parsabilité est le facteur le plus important ; ajouter un indice de réponse standard et une étape de réparation guidée empêche les chaînes de ne pas s'engager sur une lettre de réponse.
- Augmenter la limite de jetons 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 ont la place de terminer ; la recherche en faisceau guidée par PRM est derrière 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.
La meilleure configuration atteint 84,1 % sur le jeu de test ImageCLEF 2026 tenu à part, se classant premier sur le classement des QCM visuels.