本研究は、EXAMS-V多言語視覚複数選択ベンチマークを用いて、テストタイムスケーリング（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検証する。Qwen2.5-VL-7B-InstructとQwen3.5-4Bにおいて、自己一貫性、PRM誘導ビームサーチによる記述後推論、および事後選択子を比較する。

  • 構文解析可能性が最大の要因である；初期のプロンプト形式は回答のコミットメントを妨げており、標準的な回答キューと誘導された修復ステップによって修正された。
  • チェーンあたりのトークン制限を1kから2kに増やすことで3.7 pp回復する一方、より多くのチェーン（8から16）をサンプリングすると0.15 ppの増加にとどまる。
  • チェーンが終了可能になれば、詳細な手法はほとんど貢献しない；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劣る。
  • トレーニングフリーの生成型クリティックも訓練済みマルチモーダルPRMも、両方のポリシーにわたって多数決を上回ることはない。
  • 最大の利益はポリシーモデル自体から来ており（+11.4 pp）、最良の設定ではImageCLEF 2026で84.1%を達成した。

著者らは、プロンプト形式とデコーディング予算への単純な調整が、複雑な検証機構の高いコストなしに重大な利益をもたらすため重要であると考える。