本文へスキップ

Cantor

視覚推論のためのマルチモーダルな思考連鎖の枠組み

公式サイトを見る

Cantor とは

本枠組みは視覚の文脈の取得と論理的な推論を組み合わせ、複雑な視覚推論の課題を解くマルチモーダルな思考連鎖の仕組みと紹介されている。

できること

  • 視覚入力と問いを合わせる知覚と判断の構成
  • 補足情報のため専門の部品を呼ぶ段階
  • 詳しい思考から最終回答を生む統合の段階

活用場面

  • 教育者が教材の正確さを高めるため科学の問いを分析する
  • 研究者が視覚推論の難題にこの枠組みで取り組む
  • 学生が視覚情報と論理推論のまとめ方を学ぶ

長所と短所

✓ 良い点

  • 資料では GPT-3.5 を基盤に ScienceQA で 82.39 パーセントの正答率
  • MathVista のほぼ全ての题型で基線を大きく上回る

! 注意したい点

  • 基盤となる大規模マルチモーダル言語モデルの選択が要る
  • 分析には画像と問いの用意が必要

よくある質問

微調整は必要?

資料では微調整も正解の理由もなしに動くとされる。

挙がるデータセットは?

資料には ScienceQA と MathVista が挙がる。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法