ImageCLEF 2026

小规模视觉语言模型通过测试时缩放提升多语言视觉任务表现 · 追踪 2 个来源

研究人员调查了测试时缩放（TTS）技术，以提高小规模开放视觉语言模型（VLMs）在多语言视觉问答任务上的性能。他们对 EXAMS-V 基准的研究所使用的模型包括 Qwen2.5-VL-7B-Instruct 和 Qwen3.5-4B，发现提示格式和解码预算比复杂的搜索或验证方法更关键。通过优化这些因素，他们最好的配置在 ImageCLEF 2026 测试集上达到了 84.1% 的准确率，在视觉选择题排行榜上名列前茅。