通过链式问题引导的检索增强生成提升多模态大模型的视觉问答能力

针对开放域视觉问答中外部知识需求迫切的问题，本文提出一种融合思维链推理与视觉问题分解的逻辑提示策略（CoVQD），以引导检索更精准的知识。基于此，构建了 CoVQD 引导的检索增强生成框架（CgRAG），使多模态大模型能获取更全面连贯的外部知识，并结合结构化视文推理指导，显著提升复杂跨域场景下的泛化性与可靠性。在多个基准测试上的实验验证了该方法的有效性。