Исследование изучает, переносится ли масштабирование во время тестирования (TTS) на малые открытые модели визуального языка с помощью многоязычного бенчмарка EXAMS-V для визуальных задач с множественным выбором. Сравниваются самосогласованность, подход «описание затем рассуждение» с пучковым поиском, направляемым PRM, и пост-хок селекторы на моделях Qwen2.5-VL-7B-Instruct и Qwen3.5-4B.
- Разборчивость является ключевым фактором; ранний формат промпта препятствовал фиксации ответа, что было исправлено с помощью стандартного маркера ответа и шага направленного восстановления.
- Увеличение лимита токенов на цепочку с 1k до 2k восстанавливает 3.7 pp, тогда как увеличение числа цепочек (с 8 до 16) добавляет лишь 0.15 pp.
- Сложные методы вносят минимальный вклад, когда цепочки могут завершиться; пучковый поиск, направляемый PRM, уступает обычной самосогласованности на 0.39 pp при стоимости более чем в восемь раз выше.
- Ни свободный от обучения генеративный критик, ни обученная мультимодальная PRM не превосходят голосование большинства для обеих политик.
- Наибольший прирост даёт сама политика модели (+11.4 pp), при этом лучшая конфигурация достигает 84.1% на ImageCLEF 2026.
Авторы считают это важным, поскольку простые корректировки формата промпта и бюджета декодирования дают значительный прирост без высокой стоимости сложного механизма верификации.