본 연구는 EXAMS-V 벤치마크를 사용하여 테스트 타임 스케일링(TTS)이 소형 오픈 비전-언어 모델로 어떻게 이전되는지 조사하고, Qwen2.5-VL-7B-Instruct 및 Qwen3.5-4B에 대한 자기 일관성 및 PRM 유도 빔 검색과 같은 방법을 비교했습니다.

  • 구문 분석 가능성이 가장 큰 요인입니다; 표준 답변 단서와 유도된 수정 단계를 추가하면 체인이 답변 문자에 확정하지 못하는 실패를 방지할 수 있습니다.
  • 체인당 토큰 제한을 1k에서 2k로 증가시키면 3.7 pp가 회복되는 반면, 더 많은 체인(8개에서 16개)을 샘플링하면 0.15 pp만 추가됩니다.
  • 체인이 완료할 여지가 있으면 정교한 방법은 거의 기여하지 않습니다; PRM 유도 빔 검색은 plain 자기 일관성보다 비용이 8배 이상 들면서 0.39 pp 뒤처집니다.
  • 훈련 없는 생성 비평가도 훈련된 멀티모달 PRM도 두 정책 모두에서 다수결을 능가하지 못합니다.

최적의 구성은 홀드아웃된 ImageCLEF 2026 테스트 분할에서 84.1%를 달성하여 시각 MCQ 리더보드에서 1위를 차지했습니다.