यह अध्ययन परीक्षण करता है कि क्या टेस्ट-टाइम स्केलिंग (TTS) EXAMS-V बहुभाषी दृश्य बहुविकल्पीय मानचित्रण का उपयोग करके छोटे खुले विज़न-लांग्वेज मॉडल्स में स्थानांतरित होता है। यह Qwen2.5-VL-7B-Instruct और Qwen3.5-4B पर स्व-सुसंगतता, वर्णन-फिर-तर्क को PRM-मार्गदर्शित बीम सर्च के साथ और पोस्ट-होम सलेक्टर्स के बीच तुलना करता है।
- पार्सेबिलिटी सबसे बड़ा कारक है; एक शुरुआती प्रॉम्प्ट फॉर्मेट ने उत्तर प्रतिबद्धता को रोक दिया, जिसे एक मानक उत्तर संकेत और मार्गदर्शित मरम्मत चरण द्वारा ठीक किया गया।
- प्रति चेन टोकन सीमा को 1k से 2k तक बढ़ाने से 3.7 pp की वापसी होती है, जबकि अधिक चेन (8 से 16) नमूना करने से केवल 0.15 pp जोड़ा जाता है।
- एक बार चेन समाप्त होने पर विस्तृत विधियां कम योगदान देती हैं; PRM-मार्गदर्शित बीम सर्च साधारण स्व-सुसंगतता से 0.39 pp पीछे है, जो आठ गुना अधिक लागत पर है।
- न तो प्रशिक्षण-मुक्त जनरेटिव क्रिटिक और न ही प्रशिक्षित मल्टीमोडल PRM दोनों नीतियों पर बहुमत वोट को हराते हैं।
- सबसे बड़ा लाभ नीति मॉडल स्वयं से आता है (+11.4 pp), जिसमें सर्वोत्तम विन्यास ImageCLEF 2026 पर 84.1% तक पहुँचता है।
लेखक इसे महत्वपूर्ण मानते हैं क्योंकि प्रॉम्प्ट फॉर्मेट और डिकोडिंग बजट में साधारण समायोजन उच्च लागत वाली जटिल सत्यापन मशीनरी के बिना महत्वपूर्ण लाभ देते हैं।