O estudo examina se o escalonamento em tempo de teste (TTS) é transferível para modelos de visão e linguagem abertos pequenos, utilizando o benchmark multilíngue de múltipla escolha visual EXAMS-V. Ele compara consistência automática, descrever-então-raciocinar com busca em feixe guiada por PRM e seletores pós-hoc entre Qwen2.5-VL-7B-Instruct e Qwen3.5-4B.
- A analisabilidade é o maior fator; um formato de prompt inicial impediu o comprometimento da resposta, o que foi corrigido com uma dica de resposta padrão e uma etapa de reparo guiado.
- Aumentar o limite de tokens por cadeia de 1k para 2k recupera 3,7 pp, enquanto amostrar mais cadeias (de 8 para 16) adiciona apenas 0,15 pp.
- Métodos elaborados contribuem pouco quando as cadeias podem ser finalizadas; a busca em feixe guiada por PRM fica atrás da consistência automática simples em 0,39 pp, com mais de oito vezes o custo.
- Nem um crítico gerativo sem treinamento nem um PRM multimodal treinado supera a votação majoritária entre ambas as políticas.
- O maior ganho vem do próprio modelo de política (+11,4 pp), com a melhor configuração atingindo 84,1% no ImageCLEF 2026.
Os autores consideram isso importante porque ajustes simples no formato do prompt e no orçamento de decodificação geram ganhos significativos sem o alto custo da maquinaria complexa de verificação.