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。