本研究は、EXAMS-Vベンチマークを用いて、テスト時のスケーリング（TTS）が小規模なオープンビジョン言語モデルに転移可能かどうかを調査し、Qwen2.5-VL-7B-InstructとQwen3.5-4B間で手法を比較しています。

  • 構文解析可能性が成功の主要因です；標準的な回答キューと誘導された修復ステップを追加することで、回答にコミットせずに推論を行うチェーンを防ぎます。
  • チーンあたりのトークン制限を1kから2kに増やすと3.7パーセントポイント回復しますが、サンプリングされたチェーン数を8から16に増やすのは0.15 ppの追加にとどまります。
  • PRM誘導ビームサーチは、8倍以上のコストでプレーンな自己一貫性より0.39 pp劣っており、生成型クリティックスも学習済みマルチモーダルPRMも多数決には勝てません。
  • ポリシーモデル自体が最大の利益（+11.4 pp）をもたらし、最良の設定はImageCLEF 2026テスト分割で84.1%に達します。

著者らはこれを重要と見なしています。なぜなら、単純なデコーディング予算とプロンプトフォーマットのスケーリングが、小規模VLMにとって複雑な検証機構よりも優れた結果をもたらすことを示しているからです。