最近，Zhang 等人（2023）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。

图片来源：Zhang et al. (2023)

进一步阅读：

• 语言不是你所需要的全部：将感知与语言模型对齐（2023 年 2 月）