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 como consistência própria e busca em feixe guiada por PRM no Qwen2.5-VL-7B-Instruct e Qwen3.5-4B.

  • A parseabilidade é o maior fator; adicionar uma dica de resposta padrão e um passo de reparo guiado impede que as cadeias falhem em comprometer-se com uma letra de resposta.
  • 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 uma vez que as cadeias têm espaço para terminar; a busca em feixe guiada por PRM fica atrás da consistência própria simples em 0,39 pp com um custo mais de oito vezes maior.

Nem um crítico gerativo sem treinamento nem um PRM multimodal treinado supera a votação majoritária em ambas as políticas.

A melhor configuração atinge 84,1% na divisão de teste ImageCLEF 2026 retida, ocupando o primeiro lugar no ranking de MCQ visuais.