核心发现
方法论
研究比较了自一致性、描述后推理(DTR)结合PRM引导的搜索，以及两种后处理选择器，评估了Qwen2.5-VL-7B-Instruct和Qwen3.5-4B模型在EXAMS-V数据集上的表现。
关键结果
- 结果1: Qwen3.5-4B在最佳配置下达到84.1%准确率，领先于其他方法。
- 结果2: 增加每链令牌预算从1k到2k提升了3.7个百分点，而链数从8到16仅提升0.15个百分点。
- 结果3: PRM引导的搜索方法成本是自一致性的8.7倍，但准确率低0.39个百分点。
研究意义
研究揭示了在小型视觉语言模型中，测试时扩展的效果主要依赖于解码预算和解析能力，而非复杂的搜索或验证机制。这为资源受限环境中的推理优化提供了重要参考。
技术贡献
提出了一种高效的测试时扩展框架，优化了解析格式和令牌预算，并验证了自一致性在多语言视觉选择题中的优势，显著提升了模型性能。
新颖性
首次系统性研究测试时扩展在小型视觉语言模型中的适用性，提出了解析修复步骤并证明其有效性。
局限性
- 局限1: 仅研究了Qwen系列模型，结果可能无法直接推广到其他模型。
- 局限2: PRM在多语言和非数学内容上的校准能力有限，影响了搜索效果。
未来方向
未来可探索专用推理模型以分离感知与推理过程，并开发更适用于多语言内容的PRM。
AI 总览摘要
测试时扩展(TTS)已被证明能有效提升大型语言模型的推理能力，但其在小型开放视觉语言模型中的表现尚不明确。本研究针对EXAMS-V多语言视觉选择题基准，评估了两种模型(Qwen2.5-VL-7B-Instruct和Qwen3.5-4B)在不同TTS策略下的表现。
研究发现，TTS的效果主要取决于解码预算和解析能力，而非复杂的搜索或验证机制。通过增加每链令牌预算从1k到2k，准确率提升了3.7个百分点，而链数从8到16仅提升0.15个百分点。此外，解析修复步骤显著减少了解析失败率，进一步提升了模型性能。
最终，Qwen3.5-4B在最佳配置下达到了84.1%的准确率，位列Visual MCQ排行榜第一。本研究为资源受限环境中的推理优化提供了重要指导，同时指出了未来研究方向，如开发专用推理模型和改进PRM校准能力。
深度分析
研究背景
测试时扩展(TTS)是一种通过调整推理阶段策略来提升模型性能的方法，已在大型语言模型中取得显著进展。然而，小型视觉语言模型在多语言和多模态推理任务中的表现仍有待探索。
核心问题
多语言视觉选择题要求模型结合视觉内容和多步推理能力，现有方法在解析失败和推理深度不足方面存在瓶颈。
核心创新
研究提出了一种优化的TTS框架，包括解析修复步骤和令牌预算调整，显著提升了模型在EXAMS-V基准上的表现。
方法详解
- �� 比较自一致性与描述后推理(DTR)结合PRM搜索。
- �� 增加每链令牌预算以减少解析失败。
- �� 应用解析修复步骤以确保答案生成。
- �� 使用Qwen系列模型进行实验验证。
实验设计
实验基于EXAMS-V数据集，涵盖13种语言和20个学科。评估了两种模型在不同TTS配置下的表现，并进行了解析修复和令牌预算的消融实验。
结果分析
Qwen3.5-4B在最佳配置下达到了84.1%的准确率，解析修复步骤显著减少了解析失败率，令牌预算调整提升了模型性能。
应用场景
适用于多语言教育评估、跨语言视觉问答系统，以及资源受限环境中的推理任务。
局限与展望
研究仅针对Qwen系列模型，PRM在多语言内容上的校准能力有限，未来需探索更广泛的模型和任务。
通俗解读 非专业人士也能看懂
想象你在考试中面对一张复杂的图片题，题目要求你结合图片内容和文字信息进行多步推理。研究提出了一种优化策略，让模型在回答问题时有更多时间思考，并修复可能的错误答案生成。这就像给学生更多时间答题，并在最后检查答案是否合理。
简单解释 像给14岁少年讲一样
假设你在玩一个游戏，需要根据图片线索回答问题。如果你时间不够，可能会漏掉重要信息。研究的优化方法就像给你额外的时间，还帮你检查答案是否正确，最终让你的得分更高！
术语表
测试时扩展 (Test-Time Scaling)
一种优化推理阶段的技术，通过调整链数或令牌预算提升模型性能。
用于提升多语言视觉选择题的推理能力。
自一致性 (Self-Consistency)
通过生成多个推理链并投票选择答案的方法。
在研究中被证明比复杂搜索方法更高效。
过程奖励模型 (Process Reward Model, PRM)
一种对推理步骤进行评分的模型，用于指导搜索过程。
结合描述后推理框架进行实验。
解析修复 (Parse Repair)
一种修复解析失败问题的技术，通过强制生成答案令牌解决问题。
显著减少了解析失败率。
EXAMS-V
一个多语言视觉选择题基准数据集，涵盖13种语言和20个学科。
用于评估模型的多模态推理能力。
开放问题 这项研究留下的未解疑问
- 1 PRM在多语言内容上的校准能力不足，需进一步优化。
- 2 如何开发专用推理模型以分离感知与推理过程。
应用场景
近期应用
教育评估
用于多语言考试系统，提升自动评分准确率。
视觉问答
在跨语言问答系统中应用，增强用户体验。
远期愿景
智能教育助手
开发能理解多语言视觉内容的教育AI，支持个性化学习。
原文摘要
Test-time scaling (TTS) reliably improves reasoning in large language models, but whether it transfers to small open vision-language models remains unclear. We examine this on EXAMS-V, a multilingual visual multiple-choice benchmark, comparing self-consistency, describe-then-reason with PRM-guided beam search, and two post-hoc selectors across Qwen2.5-VL-7B-Instruct and Qwen3.5-4B. What matters is the conditions under which TTS runs, not the search or verification machinery. The largest factor is parseability: an early prompt format left many chains reasoning correctly yet never committing to an answer letter, which a standard answer cue and a guided repair step largely remove. A larger decoding budget removes the rest: raising the per-chain token limit from 1k to 2k recovers 3.7 pp, whereas sampling more chains (8 to 16) adds only 0.15 pp. Once chains have room to finish, elaborate methods contribute little: PRM-guided beam search trails plain self-consistency by 0.39 pp at over eight times the cost, and neither a training-free generative critic nor a trained multimodal PRM beats majority vote across both policies. The largest gain comes instead from the policy model itself (+11.4 pp). Our best configuration reaches 84.1% on the held-out ImageCLEF 2026 test split, ranking first on the Visual MCQ leaderboard.