最近，Zhang等人（2023）(opens in a new tab)提出了一种多模态思维链提示方法。传统的思维链提示方法侧重于语言模态。相比之下，多模态思维链提示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性生成。接下来是第二阶段的答案推断，它利用生成的理性信息。
    多模态CoT模型（1B）在ScienceQA基准测试中的表现优于GPT-3.5。
    2.10 多模态思维链提示方法 - 图1
    图片来源：Zhang et al. (2023)(opens in a new tab)
    进一步阅读：