Исследование изучает, переносится ли масштабирование во время тестирования (TTS) на маленькие открытые модели зрения и языка, используя бенчмарк EXAMS-V, сравнивая такие методы, как само-согласованность и пучковый поиск с руководством PRM на Qwen2.5-VL-7B-Instruct и Qwen3.5-4B.
- Разрешимость является самым большим фактором; добавление стандартного ответа и шага направленного исправления предотвращает сбои цепочек в принятии решения по букве ответа.
- Увеличение лимита токенов на цепочку с 1k до 2k восстанавливает 3,7 п.п., тогда как выборка большего числа цепочек (с 8 до 16) добавляет лишь 0,15 п.п.
- Сложные методы вносят небольшой вклад, когда у цепочек есть место для завершения; пучковый поиск с руководством PRM отстает от обычной само-согласованности на 0,39 п.п. при стоимости более чем в восемь раз.
Ни один обученный без тренировки генеративный критик, ни обученная мультимодальная PRM не превосходят голосование большинства по обоим политикам.
Лучшая конфигурация достигает 84,1% на выделенном тестовом наборе ImageCLEF 2026, занимая первое место в лидерборде визуальных MCQ.