Studi ini memeriksa apakah skala waktu pengujian (TTS) ditransfer ke model bahasa-visi terbuka kecil menggunakan benchmark EXAMS-V, membandingkan metode di Qwen2.5-VL-7B-Instruct dan Qwen3.5-4B.
- Parseabilitas adalah faktor utama keberhasilan; menambahkan isyarat jawaban standar dan langkah perbaikan terpandu mencegah rantai beralasan tanpa berkomitmen pada jawaban.
- Meningkatkan batas token per rantai dari 1k menjadi 2k memulihkan 3,7 poin persentase, sementara meningkatkan rantai yang disampel dari 8 menjadi 16 hanya menambah 0,15 pp.
- Pencarian berkas dipandu PRM tertinggal di belakang konsistensi diri biasa sebesar 0,39 pp dengan biaya lebih dari delapan kali lipat, dan baik kritikus generatif maupun PRM multimodal terlatih tidak mengalahkan suara mayoritas.
- Model kebijakan itu sendiri memberikan keuntungan terbesar (+11,4 pp), dengan konfigurasi terbaik mencapai 84,1% pada split pengujian ImageCLEF 2026.
Para penulis menganggap ini penting karena menunjukkan bahwa skala sederhana dari anggaran dekoding dan format prompt menghasilkan hasil yang lebih baik daripada mesin verifikasi kompleks untuk VLM kecil.