视觉问答指导:解锁面向特定领域视觉多任务的多模态大型语言模型

💡 原文中文,约200字,阅读约需1分钟。
📝

内容提要

本论文提出了一个可解释的多智能体协作框架,利用大型语言模型中嵌入的知识,使用三个智能体进行自顶向下推理,构建特定图像场景的多视图知识库,以推理答案。通过实验结果证明了其广泛的适用性和可解释性。

🏷️

标签

➡️

继续阅读