本文分享论文
Cantor: Inspiring Multimodal Chain-of-Thought of MLLM
，提出一种名为“领唱员（Cantor）”的决策感知多模态思维链架构，无需额外训练，性能大幅提升。
论文地址: https://arxiv.org/abs/2404.16033
项目地址: https://ggg0919.github.io/cantor/
介绍
思想链（Chain-of-Thought, CoT）是一种广泛应用的提示方法，通过添加中间推理步骤，可以显著增强大模型的推理能力。然而，在视觉推理任务中，模型不仅需要把握问题背后的总体逻辑，还需结合图像信息进行具体分析。因此，多模态思维链应运而生。
现有的多模态思维链方法通常将问题分解为多个相关的子任务，并调用各种外部工具依次处理。然而，由于视觉信息不足和低级感知工具的局限性，这种范式在决策中面临潜在的“
决策幻觉
”，以及低级感知工具
无法提供高级推理信息
的挑战。
近日，厦门大学的研究团队推出了一种名为“领唱员（Cantor）”的决策感知多模态思维链架构。在论文《Cantor: Inspiring Multimodal Chain-of-Thought of MLLM》中，他们阐述了这一架构如何赋予多模态大语言模型（Multimodal Large Language Models, MLLM）或 LLM 像合唱团中的
领唱员
一样的协调能力：首先使MLLM或LLM同时处理视觉和文本上下文，形成
全面的理解并进行决策感知
，避免决策幻觉。随后，将具体任务分配给
MLLM 扮演的“专家”
，以获得高级的认知信息以进一步辅助推理。
这种多模态思维链方法
无需额外训练
。在 ScienceQA 上，基于 GPT-3.5 的 Cantor 准确率达到了 82.39%，相比基于 GPT-3.5 的思维链方法提升了
4.08%
。在更具挑战性的 MathVista 上，基于 Gemini 的 Cantor 准确率比原始 Gemini 提高了
5.9%
。目前，
Cantor 已开源
。
图中(a)展示了不同视觉信息对决策的影响：
在没有视觉上下文的情况下，询问GPT-3.5烧杯的最大刻度，会由于缺乏图像信息而无法回答，出现决策幻觉，要求提供更多信息。
基于LLM的Cantor通过字幕引入了视觉语境，避免了决策幻觉，提出了合理的解决方法。
基于MLLM的Cantor通过图像加强了视觉语境，进一步提高了决策质量，将子任务具体化。
图中(b)展示了不同视觉工具的比较：
对于目标检测相关的子任务，传统方法使用的低级感知工具（如检测器）只能获得基本数据（如坐标）。这些低级线索需要后续的进一步整合才能得到有用信息，这会增加推理负担。
由MLLM扮演的高级认知专家可以直接获得高级推理信息（如目标的相对数量关系），有助于后续推理。
方法
Cantor的架构如下，它包含两个主要步骤：
决策生成
和
执行
。前者对问题进行分析与解耦，结合各种专家模块特性，生成合理的决策。后者调用各种专家模块执行子任务，并汇总信息加以思考，生成最终答案。具体地，我们设计了四种专家模块：
TextIntel Extract
: 此模块会按要求针对性地提取图像中的文本。它对于包含文本和图形元素混合的图像特别有用。
ObjectQuant Locator
:此模块用于识别并定位图像中的对象。它在比较数量和识别空间关系等方面有优势。
VisionIQ Analyst
:此模块用于处理和解释视觉数据，它能够处理任何与图像内容相关的查询，善于分析图像。
ChartSense Expert
:此模块专门分析和解释图表中的信息。它可以提取数据点，了解趋势，并识别图表中的标题、轴、标签和图例等关键组件。
决策生成
：让MLLM或LLM扮演决策生成器，充当决策大脑，先对问题进行分析，并结合各专家模块特点，分配子任务，并给出分配理由。
例如要比较两瓶溶液的温度大小。Cantor会先分析粒子温度与粒子动能的关系，分析粒子动能的表达式为1/2mv^2。并结合图像信息与专家模块特点，为TextIntel Extractor和ObjectQuant Locator分别分配子任务1.提取样品A和样品B中每个颗粒的质量和速度。2.哪个样品的粒子数量更多？
该步骤有以下特点：最初，LLM或MLLM被用作决策生成器，充当决策的大脑。接下来，我们提供多个专家模块，以完成各种类型的子任务，充当决策的四肢。这种集成确保了决策生成既全面又精细，能够充分利用了每个模块的优势。此后，决策生成器根据从原理分析中获得的见解，为选定的专家模块量身定制任务，这种动态的任务分配提高了Cantor的效率和性能。
执行
又分为模块化执行和汇总执行两步：
模块化执行
：在这个阶段Cantor通过调用各种专家模块来完成决策生成阶段分配的子任务，以获得补充信息。值得注意的是，我们只使用MLLM来扮演各种专家模块，以获得高级的认知信息辅助推理（如数量的大小关系，位置的相对关系）。例如，对应上一步分配的子任务，TextIntel Extractor和ObjectQuant Locator分别获得以下答案：1.样品A：质量44u，速度1,400m/s。样品B：质量46u，速度1,400m/s。2.两个样品的粒子数量相同。
汇总执行
：在这个阶段Cantor汇总子任务和子答案的信息，并结合基本原理，生成最终答案。其中包括了三个关键，首先通过提示，让MLLM或LLM扮演一个知识渊博并且善于整合信息的答案生成器，这既保证他的专业性，能对问题有基本判断，又保证他能更好地整合信息。其次为了可解释性，展示模型的思维过程并提高其思维能力，要求它先生成为答案的基本原理，然后生成相应的选项。最后要求Cantor保持理性与批判性，不要完全依赖模块执行获得的信息。
实验
Cantor分为两个版本，Cantor（GPT-3.5）将GPT-3.5作为决策生成器和答案生成器，以及Cantor（Gemini）将Gemini Pro 1.0作为决策生成器和答案生成器。我们在ScienceQA和MathVista两个复杂的视觉推理数据集上进行了实验。在ScienceQA上的实验结果如下：
结果显示使用GPT-3.5作为基本LLM进行决策和回答，Cantor的准确率达到82.39%，比GPT-3.5提示的思想链（CoT）提高了4.08%。使用Gemini作为决策生成器和答案生成器，Cantor的准确率达到84.96%，大大超过了所有免训练方法，甚至优于UnifiedQA（CoT）和MM-CoT等微调方法。
我们进一步展示了ScienceQA中IMG类的性能，该类的所有问题都包括了图像上下文。
可以看出，基于GPT-3.5的Cantor在各种问题上都显著超过了基线，甚至超过了一些著名的MLLMs，如SPHINX和LLaVA-1.5。Cantor（Gemini）性能相比于基线也得到了显著增长。
MathVista是一个具有挑战性的数据集，它将各种数学推理任务与可视化任务集成在一起。上表比较了不同方法的性能。从一般的视觉问题回答到专业的数学问题，Cantor在几乎所有类型的问题中都大大超过了基线。这表明，正确的决策和模块化专家可以激发他们细粒度、深入的视觉理解和组合推理能力。值得注意的是，Cantor（GPT-3.5）甚至超过了基于CoT和PoT的GPT-4。
