该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EXAMS-V基准，比较了Qwen2.5-VL-7B-Instruct和Qwen3.5-4B上的自一致性及PRM引导束搜索等方法。

  • 可解析性是最大因素；添加标准答案提示和引导修复步骤可防止链无法确定答案字母。
  • 将每条链的令牌限制从1k增加到2k可恢复3.7个百分点，而采样更多链（从8到16）仅增加0.15个百分点。
  • 一旦链有空间完成，复杂方法的贡献很小；PRM引导束搜索比简单的自一致性落后0.39个百分点，且成本超过八倍。

无论是无训练生成批评家还是训练的跨模态PRM，在两种策略上均未胜过多数投票。

最佳配置在保留的ImageCLEF 2026测试集上达到84.1%，在视觉多选题排行榜上排名第一。