多模态 CoT 提示

Zhang 等人 (2023) (在新标签页中打开) 最近提出了一种多模态思维链提示方法。传统的 CoT 侧重于语言模态。相比之下，多模态 CoT 将文本和视觉融入一个两阶段框架。第一步涉及基于多模态信息的原理生成。紧随其后的是第二阶段，答案推理，它利用了生成的富含信息的原理。

多模态 CoT 模型 (1B) 在 ScienceQA 基准测试中优于 GPT-3.5。