该研究提出了一种多模态-CoT框架，结合语言与视觉信息，显著提高了答案推断的准确性，超越了GPT-3.5和人类表现。通过链式思维和视觉问答技术，增强了深度学习模型的推理能力，并提出了Visual CoT数据集，以促进相关研究的发展。

该研究提出了一种多模态推理框架，结合语言与视觉信息，显著提高了答案推断的准确性。通过扩散过程和检索机制，增强了多模态链式思考的复杂推理能力，实验表明该框架在科学问题回答中有效，推动了相关研究的发展。

该研究提出了一种多模态 - CoT 框架，结合语言和视觉信息，提高了答案推断的准确性，超过了人类表现。

该研究提出了一种多模态的CoT框架，将语言和视觉信息相结合，提高了答案推断的准确性，比先前最先进的LLM（GPT-3.5）高出16个百分点，甚至超过了人类表现，在ScienceQA基准测试中表现出色。

该研究提出了一种多模态 - CoT 框架，将语言和视觉信息结合起来进行答案推断。该框架在 ScienceQA 基准测试中准确度高达91.68％，比先前最先进的 LLM（GPT-3.5）提高了16个百分点，甚至超过了人类的表现。

该研究提出了一种多模态 - CoT 框架，将语言和视觉信息结合，提高了答案推断的准确性。在 ScienceQA 基准测试中，该框架的性能超过了人类表现，准确度达到了91.68％，比先前最先进的 LLM（GPT-3.5）高出16个百分点。