本文提出视觉前提证明（VPP）任务，通过将图表问答拆解为逻辑前提，提升模型的推理能力。研究表明，模型在图表推理方面优于结构理解和数据检索，强调了推理与视觉理解结合的重要性。

本研究提出了一种新数据合成方法CIT，旨在解决多模态大型语言模型在复杂图表问答中的视觉推理不足。实验结果显示，该方法显著提升了模型的推理能力。

该研究提出了GoT-CQA模型，通过思维图引导的构成推理解决了图表问答中的复杂推理问题。研究表明，GoT-CQA在复杂人类编写和推理问题上表现优越，有助于数据分析领域的发展。