链式描述：我能理解的，我就能说出来
计算与语言
2025-02-25 v1 人工智能
摘要
本文提出了一种 novel 策略，即链式描述（Chain-of-Description, CoD）提示方法，专为多模态大语言模型设计。该方法要求模型首先提供对多模态输入的详细描述，再生成对问题的答案。当应用于Qwen2-Audio、Qwen2-VL和Qwen2.5-VL等模型时，CoD提示方法显著优于标准提示方法。这一结果在音频基准测试AIR-Bench-Chat中表现为近4%的提升，在视觉基准测试MMMU_Pro的难题部分实现了5.3%的提升。我们的消融研究进一步验证了CoD提示方法的有效性。
引用
@article{arxiv.2502.16137,
title = {Chain-of-Description: What I can understand, I can put into words},
author = {Jiaxin Guo and Daimeng Wei and Zongyao Li and Hengchao Shang and Yuanchang Luo and Hao Yang},
journal= {arXiv preprint arXiv:2502.16137},
year = {2025}
}