Studi ini memeriksa apakah skala waktu pengujian (TTS) ditransfer ke model visi-bahasa terbuka kecil menggunakan benchmark pilihan ganda visual multibahasa EXAMS-V. Studi ini membandingkan konsistensi diri, deskripsi-terus-alasan dengan pencarian berkas dipandu PRM, dan pemilih pasca-hoc di Qwen2.5-VL-7B-Instruct dan Qwen3.5-4B.
- Parseabilitas adalah faktor terbesar; format prompt awal mencegah komitmen jawaban, yang diperbaiki oleh isyarat jawaban standar dan langkah perbaikan terpandu.
- Meningkatkan batas token per rantai dari 1k menjadi 2k memulihkan 3,7 pp, sementara mengambil lebih banyak rantai (8 hingga 16) hanya menambahkan 0,15 pp.
- Metode rumit berkontribusi sedikit sekali rantai dapat selesai; pencarian berkas dipandu PRM tertinggal 0,39 pp di belakang konsistensi diri biasa dengan biaya lebih dari delapan kali lipat.
- Baik kritikus generatif bebas pelatihan maupun PRM multimodal terlatih tidak mengalahkan suara mayoritas di kedua kebijakan.
- Kenaikan terbesar berasal dari model kebijakan itu sendiri (+11,4 pp), dengan konfigurasi terbaik mencapai 84,1% pada ImageCLEF 2026.
Para penulis menganggap hal ini penting karena penyesuaian sederhana pada format prompt dan anggaran dekoding menghasilkan peningkatan signifikan tanpa biaya tinggi dari mesin verifikasi yang kompleks.