小规模视觉语言模型在多语言视觉多选题上的测试时扩展研究

本文探讨了测试时扩展（TTS）技术在小规模开放视觉语言模型中的有效性。通过在多语言视觉多选题基准 EXAMS-V 上评估自一致性、描述后推理及束搜索等策略，研究发现 TTS 的效果主要取决于解析性及解码预算，而非复杂的搜索机制。增加单链生成长度显著优于增加采样数量，且简单策略在充足预算下表现优于复杂方法。最终配置在 ImageCLEF 2026 测试集上达到 84.1% 的准确率，位居榜首。