使用场景

教育工作者使用Cantor分析科学问题，提高教学内容的准确性

研究人员利用Cantor的多模态CoT框架，解决视觉推理领域的难题

学生通过Cantor学习如何整合视觉信息和逻辑推理，提高解决问题的能力

产品特色

感知决策架构，有效整合视觉上下文和逻辑推理

决策生成阶段，考虑并部署问题

执行模块化阶段，调用各种专家模块并提供补充信息

执行综合阶段，汇总补充信息，通过合理详细的思考生成最终答案

在ScienceQA数据集上，使用GPT-3.5作为基础LLM，Cantor实现了82.39%的准确率，比CoT提示的GPT-3.5提高了4.08%

在MathVista数据集上，Cantor在几乎所有类型的问题上都大大超过了基线，显示了正确的决策和模块专家可以激发其精细、深入的视觉理解和组合推理能力

Cantor在多模态领域取得进展，基于GPT-3.5的Cantor在各种问题上显著超过了基线，甚至超过了知名的MLLMs，如SPHINX和LLaVA-1.5

使用教程

访问Cantor的官方网站或GitHub页面

阅读Cantor的介绍和背景信息，了解其功能和优势

根据需要选择相应的大型语言模型(MLLMs)作为基础

上传或选择需要分析的图像和问题

Cantor将自动进行决策生成和执行模块化

查看Cantor生成的最终答案和推理过程

根据Cantor的输出结果，进行进一步的研究或教学活动