Исследование изучает, переносится ли масштабирование во время тестирования (TTS) на малые открытые модели зрения и языка с использованием бенчмарка EXAMS-V, сравнивая методы в Qwen2.5-VL-7B-Instruct и Qwen3.5-4B.

  • Разрешимость является основным фактором успеха; добавление стандартного ответа и шага направленного исправления предотвращает цепочки рассуждений без привязки к ответу.
  • Увеличение лимита токенов на цепочку с 1k до 2k восстанавливает 3,7 процентных пункта, в то время как увеличение выбранных цепочек с 8 до 16 добавляет лишь 0,15 п.п.
  • Пучковый поиск с PRM отстает от простой самосогласованности на 0,39 п.п. при стоимости более чем в восемь раз, и ни генеративные критики, ни обученные мультимодальные PRM не превосходят голосование большинства.
  • Сама модель политики обеспечивает наибольшее улучшение (+11,4 п.п.), а лучшая конфигурация достигает 84,1% на тестовом наборе ImageCLEF 2026.

Авторы считают это важным, потому что это демонстрирует, что простое масштабирование бюджета декодирования и формата промпта дает лучшие результаты, чем сложная верификация для малых VLM.