多模态大模型，也有自己的CoT思维链了！

厦门大学&腾讯优图团队提出一种名为“领唱员（Cantor）”的决策感知多模态思维链架构，无需额外训练，性能大幅提升。

在 ScienceQA 上，基于GPT-3.5的Cantor准确率达到了82.39%，相比基于GPT-3.5的思维链方法提升了4.08%。

在更具挑战性的MathVista上，基于Gemini的Cantor准确率比原始Gemini提高了5.9%。

目前Cantor论文已上传arXiv，代码也已经开源。（地址在文末领取）

多模态专属思维链

思想链（Chain-of-Thought, CoT）是一种广泛应用的提示方法，通过添加中间推理步骤，可以显著增强大模型的推理能力。

然而，在视觉推理任务中，模型不仅需要把握问题背后的总体逻辑，还需结合图像信息进行具体分析。

多模态思维链应运而生。

现有的多模态思维链方法通常将问题分解为多个相关的子任务，并调用各种外部工具依次处理。

然而，由于视觉信息不足和低级感知工具的局限性，这种范式在决策中面临潜在的“决策幻觉”，以及低级感知工具无法提供高级推理信息的挑战。

Cantor架构赋予多模态大语言模型（MLLM）或大语言模型（LLM）像合唱团中的领唱员一样的协调能力：

首先使MLLM或LLM同时处理视觉和文本上下文，形成全面的理解并进行决策感知，避免决策幻觉。

随后，将具体任务分配给MLLM 扮演的“专家”，以获得高级的认知信息以进一步辅助推理。

图中（a）展示了不同视觉信息对决策的影响：

图中（b）展示了不同视觉工具的比较：

Cantor的架构如下，它包含两个主要步骤：决策生成和执行。

前者对问题进行分析与解耦，结合各种专家模块特性，生成合理的决策。

后者调用各种专家模块执行子任务，并汇总信息加以思考，生成最终答案。

团队具体设计了四种专家模块：

TextIntel Extract：此模块会按要求针对性地提取图像中的文本。它对于包含文本和图形元素混合的图像特别有用。ObjectQuant Locator：此模块用于识别并定位图像中的对象。它在比较数量和识别空间关系等方面有优势。VisionIQ Analyst：此模块用于处理和解释视觉数据，它能够处理任何与图像内容相关的查询，善于分析图像。ChartSense Expert：此模块专门分析和解释图表中的信息。它可以提取数据点，了解趋势，并识别图表中的标题、轴、标签和图例等关键组件。

决策生成部分让MLLM或LLM扮演决策生成器，也就是充当决策大脑，先对问题进行分析，并结合各专家模块特点，分配子任务，并给出分配理由。

例如要比较两瓶溶液的温度大小时，Cantor会先分析粒子温度与粒子动能的关系，分析粒子动能的表达式为1/2mv^2。并结合图像信息与专家模块特点，为TextIntel Extractor和ObjectQuant Locator分别分配子任务：

1、提取样品A和样品B中每个颗粒的质量和速度。2、哪个样品的粒子数量更多？

该步骤有以下特点：

最初，LLM或MLLM被用作决策生成器，充当决策的大脑。

接下来，团队提供多个专家模块，以完成各种类型的子任务，充当决策的四肢。这种集成确保了决策生成既全面又精细，能够充分利用了每个模块的优势。

此后，决策生成器根据从原理分析中获得的见解，为选定的专家模块量身定制任务，这种动态的任务分配提高了Cantor的效率和性能。

执行又分为模块化执行和汇总执行两步：

一是模块化执行：

在这个阶段Cantor通过调用各种专家模块来完成决策生成阶段分配的子任务，以获得补充信息。

值得注意的是，团队只使用MLLM来扮演各种专家模块，以获得高级的认知信息辅助推理（如数量的大小关系，位置的相对关系）。

例如，对应上一步分配的子任务，TextIntel Extractor和ObjectQuant Locator分别获得以下答案：

1、样品A：质量44u，速度1,400m/s。样品B：质量46u，速度1,400m/s。2、两个样品的粒子数量相同。

二是汇总执行：

在这个阶段Cantor汇总子任务和子答案的信息，并结合基本原理，生成最终答案。

其中包括了三个关键，首先通过提示，让MLLM或LLM扮演一个知识渊博并且善于整合信息的答案生成器，这既保证他的专业性，能对问题有基本判断，又保证他能更好地整合信息。

其次为了可解释性，展示模型的思维过程并提高其思维能力，要求它先生成为答案的基本原理，然后生成相应的选项。

最后要求Cantor保持理性与批判性，不要完全依赖模块执行获得的信息。

Cantor分为两个版本，Cantor（GPT-3.5）将GPT-3.5作为决策生成器和答案生成器，以及Cantor（Gemini）将Gemini Pro 1.0作为决策生成器和答案生成器。

团队在ScienceQA和MathVista两个复杂的视觉推理数据集上进行了实验。

在ScienceQA上的实验结果如下：

结果显示使用GPT-3.5作为基本LLM进行决策和回答，Cantor的准确率达到82.39%，比GPT-3.5提示的思想链（CoT）提高了4.08%。

使用Gemini作为决策生成器和答案生成器，Cantor的准确率达到84.96%，大大超过了所有免训练方法，甚至优于UnifiedQA（CoT）和MM-CoT等微调方法。

团队进一步展示了ScienceQA中IMG类的性能，该类的所有问题都包括了图像上下文。

可以看出，基于GPT-3.5的Cantor在各种问题上都显著超过了基线，甚至超过了一些著名的MLLMs，如SPHINX和LLaVA-1.5。

Cantor（Gemini）性能相比于基线也得到了显著增长。

MathVista是一个具有挑战性的数据集，它将各种数学推理任务与可视化任务集成在一起。

上表比较了不同方法的性能。从一般的视觉问题回答到专业的数学问题，Cantor在几乎所有类型的问题中都大大超过了基线。

这表明，正确的决策和模块化专家可以激发他们细粒度、深入的视觉理解和组合推理能力。

值得注意的是，Cantor（GPT-3.5）甚至超过了基于CoT和PoT的GPT-4。

团队进一步展示了Gemini与Cantor（Gemini）的具体例子比较：

可以看出Cantor通过任务分配，以及让Gemini进行角色扮演，做到了原来难以做到的事情，并且正确得出了答案。

值得注意的是，即使Gemini在一些问题上答对了，但是它的推理过程其实是有问题的，相比之下Cantor没有出现这个问题。