अध्ययन जांचता है कि क्या टेस्ट-टाइम स्केलिंग (TTS) EXAMS-V बेंचमार्क का उपयोग करके छोटे खुले विज़न-लैंग्वेज मॉडल्स पर स्थानांतरित होता है, Qwen2.5-VL-7B-Instruct और Qwen3.5-4B पर स्व-सुसंगति और PRM-मार्गदर्शित बीम सर्च जैसे तरीकों की तुलना करता है।
- पार्सेबिलिटी सबसे बड़ा कारक है; एक मानक उत्तर संकेत और मार्गदर्शित मरम्मत चरण जोड़ने से चेन के उत्तर अक्षर पर प्रतिबद्ध होने में विफल रहने से रोका जाता है।
- प्रति चेन टोकन सीमा को 1k से 2k तक बढ़ाने से 3.7 pp की वापसी होती है, जबकि अधिक चेन नमूना लेने (8 से 16) केवल 0.15 pp जोड़ता है।
- एक बार चेन के पूरा करने के लिए जगह हो जाने पर विस्तृत तरीके कम योगदान देते हैं; PRM-मार्गदर्शित बीम सर्च साधारण स्व-सुसंगति से 0.39 pp पीछे है, लागत आठ गुना से अधिक होने पर।
न तो प्रशिक्षण-मुक्त जनरेटिव क्रिटिक और न ही प्रशिक्षित मल्टीमोडल PRM दोनों नीतियों में बहुमत वोट को हराता है।
सर्वोत्तम विन्यास ImageCLEF 2026 परीक्षण स्प्लिट पर 84.1% तक पहुंचता है, दृश्य MCQ लीडरबोर्ड में पहले स्थान पर है।