O estudo examina se a escalação em tempo de teste (TTS) é transferida para pequenos modelos de visão e linguagem abertos usando o benchmark EXAMS-V, comparando métodos no Qwen2.5-VL-7B-Instruct e Qwen3.5-4B.
- A parseabilidade é o fator principal para o sucesso; adicionar uma dica de resposta padrão e um passo de reparo guiado impede que as cadeias raciocinem sem se comprometer com uma resposta.
- Aumentar o limite de tokens por cadeia de 1k para 2k recupera 3,7 pontos percentuais, enquanto aumentar as cadeias amostradas de 8 para 16 adiciona apenas 0,15 pp.
- A busca em feixe guiada por PRM fica atrás da autoconsistência simples em 0,39 pp com mais de oito vezes o custo, e nem os críticos generativos nem os PRMs multimodais treinados superam a votação majoritária.
- O próprio modelo de política fornece o maior ganho (+11,4 pp), com a melhor configuração atingindo 84,1% na divisão de teste ImageCLEF 2026.
Os autores consideram isso importante porque demonstra que a escalação simples do orçamento de decodificação e do formato do prompt produz melhores resultados do que maquinaria complexa de verificação para pequenos VLMs.