本研究考察了测试时扩展（TTS）是否适用于小型开放视觉语言模型，使用了EXAMS-V多语言视觉多项选择基准。比较了在Qwen2.5-VL-7B-Instruct和Qwen3.5-4B上自洽性、描述后推理结合PRM引导的束搜索以及事后选择器的表现。

  • 可解析性是最大因素；早期的提示格式阻碍了答案承诺，通过标准答案提示和指导修复步骤得以解决。
  • 将每条链的token限制从1k增加到2k提升了3.7个百分点，而增加采样链数（从8到16）仅提升0.15个百分点。
  • 一旦链能够完成，复杂方法贡献甚微；PRM引导的束搜索比简单自洽性低0.39个百分点，且成本超过八倍。
  • 无训练生成的批评模型或训练好的多模态PRM均未在两种策略上优于多数投票法。
  • 最大增益来自策略模型本身（+11.4个百分点），最佳配置在ImageCLEF 2026上达到84.1%。

作者认为这很重要，因为对提示格式和解码预算的简单调整就能带来显著收益，而无需高昂的复杂验证机制成本。