अध्ययन जांचता है कि क्या टेस्ट-टाइम स्केलिंग (TTS) EXAMS-V बेंचमार्क का उपयोग करके छोटे खुले विज़न-लैंग्वेज मॉडल्स में स्थानांतरित होता है, Qwen2.5-VL-7B-Instruct और Qwen3.5-4B पर विधियों की तुलना करता है।
- पार्सेबिलिटी सफलता के लिए प्राथमिक कारक है; एक मानक उत्तर संकेत और गाइडेड रिपेयर चरण जोड़ने से चेन बिना किसी उत्तर पर प्रतिबद्ध हुए तर्क करने से रोकती हैं।
- प्रति चेन टोकन सीमा को 1k से 2k तक बढ़ाने से 3.7 प्रतिशत अंक पुनः प्राप्त होते हैं, जबकि नमूना चेन को 8 से 16 तक बढ़ाने से केवल 0.15 pp जोड़ा जाता है।
- PRM-गाइडेड बीम सर्च साधारण स्व-संगति से 0.39 pp पीछे है, आठ गुना से अधिक लागत पर, और न तो जनरेटिव क्रिटिक्स और न ही प्रशिक्षित मल्टीमोडल PRM बहुमत वोट को हराते हैं।
- पॉलिसी मॉडल स्वयं सबसे बड़ा लाभ (+11.4 pp) प्रदान करता है, सर्वोत्तम विन्यास ImageCLEF 2026 टेस्ट स्प्लिट पर 84.1% तक पहुंचता है।
लेखकों का मानना है कि यह महत्वपूर्ण है क्योंकि यह दिखाता है कि छोटे VLMs के लिए जटिल सत्यापन मशीनरी की तुलना में डिकोडिंग बजट और प्रॉम्प्ट फॉर्मेट का साधारण स्केलिंग बेहतर परिणाम देता है।