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・ランゲージモデルにどのように移行するかを検証し、Qwen2.5-VL-7B-InstructおよびQwen3.5-4Bに対する自己整合性やPRM誘導ビームサーチなどの手法を比較した。

  • 構文解析可能性が最大の要因である；標準的な回答のヒントと誘導された修復ステップを追加することで、チェーンが回答の文字にコミットできない失敗を防ぐことができる。
  • チ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しか追加されない。
  • チェーンが終了する余地がある場合、複雑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、単純な自己整合性よりも0.39 pp劣る。
  • トレーニングフリーの生成型批評家も、トレーニングされたマルチモーダル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。

最適な構成では、ホールドアウトされたImageCLEF 2026テストスプリットで84.1%を達成し、視覚MCQリーダーボードで1位となった。