本研究提出了一种新方法SCRAMBLe，旨在提升多模态大语言模型（MLLMs）的组合推理能力。通过训练模型区分正确与错误的图像标题，该方法在多个视觉语言基准测试中显著提高了性能，并对一般问题回答任务产生了积极影响。

本研究探讨了多感知信息在复杂场景中的组合推理能力，提出了两个基准测试和新的推理增强方法，显著提升了模型性能，展现了研究潜力和应用价值。

本研究提出了“FTCT”合成学习任务，以解决变换器推理中整合分散知识的问题。研究发现，少量示例的连锁思维提示能够增强组合推理能力，且受模型复杂性和数据相似性的影响。

ReasonFormer是一个统一的推理框架，模拟人类在复杂决策制定中的模块化和组合推理过程。通过单一模型解决多个任务，并在11个数据集上展示了显著的性能提升。在少样本实验中表现出更好的泛化能力，并解耦表示模块和推理模块。

本文介绍了C2Gen NLI挑战，通过设计连续学习设置来探究持续学习对NLI组合推理的影响。实验证明模型在连续场景中无法进行组合推理的泛化。通过基准测试和分析C2Gen，发现连续学习子任务可以提高组合推理能力。