多模态 CoT 提示

最近Zhang等人（2023）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 将文本和视觉融入到一个两阶段框架中。第一步涉及基于多模态信息的理由生成。随后是第二阶段，答案推理，利用生成的信息性理由。

多模态 CoT 模型（1B）在 ScienceQA 基准测试中胜过了 GPT-3.5。