南京理工大学和加拿大维多利亚大学的研究团队提出了一种改进的分布式在线多步迭代Frank-Wolfe算法。该算法在时变网络上通过多步迭代提高收敛性能，解决高维约束优化问题。新算法无需先验知识，动态遗憾上界更紧。实验验证了其在单纯形和范数球约束下的有效性，并探讨了动态遗憾、计算和通信成本的权衡。研究结果在真实数据集上得到了验证。

该文章介绍了多模态思维链推理领域的研究进展和挑战，提出了一个新的基准，推动多领域、多步和多模态思维链的研究与发展。实验结果显示当前的多模态大模型在多步多模态推理方面仍存在不足，需要进一步改进。研究者还探索了工具使用、上下文学习和指令微调等方法对模型性能的影响，并提出了未来研究的方向。希望该基准能为多领域、多步和多模态思维链的研究提供基础。