研究者提出了一个新任务，通过整合语言和视觉信息来解决LVLMs在艺术品解释生成任务中的困难。他们提供了评估数据集和度量标准，并发布了一个训练数据集，以帮助LVLMs学习艺术品解释。

大规模视觉语言模型（LVLMs）在艺术品解释生成任务中遇到困难，需要整合语言和视觉信息。研究者提出了一个新任务，并提供了评估数据集和度量标准。他们还发布了一个训练数据集，以帮助LVLMs学习艺术品解释。数据集可在链接中找到。

大规模视觉语言模型（LVLMs）在艺术品解释生成任务中存在困难，需要整合语言和视觉信息。研究者提出了一个新任务，并发布了相应的评估数据集和训练数据集。LVLMs 在仅从图像中获取知识方面存在限制。

大规模视觉语言模型（LVLMs）在艺术品解释生成任务中存在困难，需要整合语言和视觉信息。研究者提出了一个新任务，并发布了相应的评估数据集和训练数据集。LVLMs 在仅从图像中获取知识方面存在限制。

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。