游戏安利社

摘要 大规模视觉-语言模型（LVLMs）在多模态任务中取得了显著成功，多模态思维链（MCoT）进一步提升了其性能和可解释性。最近的MCoT方法分为两类：（i）文本型MCoT（T-MCoT），接受多...