Xuanlang Dai

EndoCoT框架通过多模态大语言模型增强扩散模型的推理能力

研究人员推出EndoCoT，一个旨在增强扩散模型与多模态大语言模型（MLLMs）集成时的推理能力的新框架。该框架解决了当前MLLM集成中的局限性，例如推理深度不足和解码过程中的不变引导。EndoCoT采用迭代式思维引导模块来优化潜在思维状态，并采用终端思维接地模块来确保推理与文本监督对齐。这种方法使扩散模型能够逐步分解和执行复杂指令，从而在迷宫求解和数独等任务上取得改进的性能，平均准确率为92.1%。