本研究探索了预训练的视觉语言模型（VLM）和大型语言模型（LLM）在视觉常识推理中的协同能力。通过名为ViCor的协作方法，LLM主动引导VLM集中关注和收集相关的视觉元素，支持潜在的常识推断。该方法在两个VCR基准数据集上取得了优越表现。