Studi ini memeriksa apakah skala waktu pengujian (TTS) ditransfer ke model bahasa-visi terbuka kecil menggunakan benchmark EXAMS-V, membandingkan metode seperti konsistensi diri dan pencarian berkas yang dipandu PRM pada Qwen2.5-VL-7B-Instruct dan Qwen3.5-4B.
- Dapat diuraikan adalah faktor terbesar; menambahkan petunjuk jawaban standar dan langkah perbaikan terpandu mencegah rantai gagal berkomitmen pada huruf jawaban.
- Meningkatkan batas token per rantai dari 1k menjadi 2k memulihkan 3,7 pp, sementara mengambil lebih banyak rantai (8 hingga 16) hanya menambah 0,15 pp.
- Metode yang rumit berkontribusi sedikit sekali rantai memiliki ruang untuk selesai; pencarian berkas yang dipandu PRM tertinggal dari konsistensi diri biasa sebesar 0,39 pp dengan biaya lebih dari delapan kali lipat.
- Baik kritikus generatif tanpa pelatihan maupun PRM multimodal terlatih tidak mengalahkan suara mayoritas di kedua kebijakan.
Konfigurasi terbaik mencapai 84,1% pada split pengujian ImageCLEF 2026 yang disimpan, peringkat pertama di papan peringkat MCQ visual.