Multimodal Chain-of-Thought ghidează modelele de viziune să descrie și să izoleze explicit caracteristicile vizuale ale imaginii (culori, coordonate, texte pe grafice) înainte de a efectua raționamente logice asupra lor.
Exemplu pentru o diagramă cu bare:
"Instrucțiune:
1. [Inspecție Vizuală]: Listează valorile fiecărei bare de pe axa Y și etichetele axei X.
2. [Raționament]: Calculează diferența procentuală dintre bara din 2024 și cea din 2026.
3. [Răspuns]: Formulează concluzia finală."Eficiență dovedită: Previne erorile halucinatorii cauzate de interpretarea directă a imaginilor fără ancorare textuală intermediară.
Întrebări & Discuții: Multimodal CoT: Îmbinarea Raționamentului Vizual cu cel Textual
Ai o întrebare despre Multimodal CoT: Îmbinarea Raționamentului Vizual cu cel Textual sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.