思维白板：跨模态逐步思考

引言

“哪个小写字母是一个圆圈，右边有一个垂直的线段从圆圈上往下延伸？”这个问题看似简单，但你可能已经通过在脑海中形成一个图像来解答了。你首先想象一个圆圈，然后在圆圈的右边添加一条垂直的线段，最终识别出字母“q”。如果需要记住更多信息，你可能会使用笔和纸，但思考过程仍然类似。

人类擅长这种视觉思考。我们能够轻松地将文字和图像中的推理交织在一起，以解决问题和交流想法（Tversky，2011）。我们不仅在直接的视觉推理中形成图像，而且在空间导航时绘制地图（Card 等人，1999），甚至处理抽象概念（Bobek 和 Tversky，2016）。

大型语言模型（LLMs）已经彻底改变了自然语言处理领域（Brown 等人，2020；Vaswani 等人，2017），它们通过扩展参数数量和训练数据，在各种推理任务中展现出强大的能力。链式思考（CoT）提示（Wei 等人，2022；Kojima 等人，2023）允许语言模型通过在生成最终答案之前以文本形式写出中间步骤来解决复杂问题，并在算术和符号推理等任务中展现出巨大潜力。因此，自然地，我们会问：LLMs 能否解决我们人类通过视觉思考解决的任务？

我们发现，对于某些涉及视觉和空间推理的任务，即使是最先进的LLMs 也会出现显著的失败。在图1中，我们看到GPT-4o（OpenAI 等人，2023）声称我们之前问题的答案实际上是“b”；它没有进行正确的隐式视觉推理，关于左、右、上、下的方向，以得出正确的答案。“b”被观察到是确定性地采样的；在使用温度的情况下，它会在“b”、“p”、“d”和“q”之间随机选择，也就是说，这些字母具有正确的特征，但排列方式不同。它提到了“碗”和“茎”来缩小可能的选项，然后未能进行空间推理来确定所描述的方向意味着什么。一个人不需要具备排版方面的专业知识来回答这个问题；任何能够创建正确图像并具备基本视觉识别能力的人都能轻松解决它。这突出了两种推理过程之间的显著差异。

思维白板：跨模态逐步思考

我们的关键想法是，视觉推理任务需要视觉。我们利用多模态大型语言模型（MLLMs）的能力，这些模型不仅接受文本输入，还接受图像等其他模态的输入，从而实现这一点。我们证明，为MLLMs 提供创建和推理显式视觉的能力——就像一个展示中间思想的白板——可以解锁类似于视觉思考的能力。

因此，我们引入了“思维白板（WoT）”：我们为MLLMs 提供一个隐喻性的“白板”，让它们将中间推理步骤的结果绘制为图像，然后提示它们使用它们的多模态输入能力来生成答案或从模型自身生成的图像中进行进一步推理。我们发现，利用模型现有的能力，通过使用Turtle 和 Matplotlib 等图形库来编写代码，足以创建对解决视觉推理任务有用的图像，而无需任何示例。

我们在三个涉及理解ASCII 艺术的BIG-Bench（Srivastava 等人，2022）任务上展示了这种想法的潜力，以及一个最近的困难基准，它探测了空间推理能力（Yamada 等人，2024），证明了WoT 和 CoT 之间的巨大性能差距。我们进一步分析了哪些类型的问题更适合在视觉标记而不是文本标记上进行推理。最后，我们确定了MLLM 能力的当前局限性，并提供了对WoT 失败原因的详细分析。

实验

我们对两类涉及视觉推理的自然语言任务进行了实验。首先，我们考虑了BIG-Bench（Srivastava 等人，2022）中的三个数据集，这些数据集涉及理解以ASCII 文本图形表示的信息。接下来，我们考虑在不同空间条件下进行自然语言导航的任务（Yamada 等人，2024）。

我们所有实验都在零样本环境下进行，并与两个没有可视化的基线进行比较：直接提示模型给出答案（“Direct”）和零样本链式思考（Kojima 等人，2023）（“CoT”）。我们使用温度为0 和贪婪解码进行生成。对于所有实验，我们使用GPT-4o（gpt-4o-2024-05-13）作为底层MLLM，因为它具有启用我们的模型和基线所需的所有功能——零样本链式思考以及生成代码输出和接受图像输入的能力。完整的提示和其他生成细节可以在附录中找到。

ASCII 理解

我们从BIG-Bench 中发现的一个明显视觉任务开始：ASCII 理解。最近的研究表明，即使是最强大的语言模型也难以识别ASCII 表示，这种失败甚至可以被用来执行非常有效的越狱攻击，导致意外和不安全的行为，绕过最先进的防御技术（Jiang 等人，2024）。

ASCII 艺术突出了我们潜意识地在处理模态之间切换的能力：它需要重新解释通常具有某种自然语言解释的字符（例如，'=' 作为等号）在视觉上的排列和空间关系（例如，'======‘ 作为一条水平线）。对于人类来说，书面文本通常以与图像相同的输入模态（我们的眼睛）进行处理，使我们能够进行视觉思考，而无需任何中间处理。

想象一下，理解被朗读出来的ASCII 艺术的难度。这可以被认为类似于LLMs 如何处理ASCII：作为文本标记，与它们可能能够处理的任何视觉标记不同，如果它们具有多模态能力。因此，ASCII 为我们提供了一个有趣的测试平台，用于证明MLLMs 中是否存在视觉思考。

我们考虑了ASCII 理解的三个领域，每个领域都包含BIG-Bench（Srivastava 等人，2022）中的一个任务：ASCII MNIST 数字识别、ASCII 单词识别和ASCII 日文字形（Kanji）识别。图2 中提供了每个领域的示例（以及每个领域的WoT 可视化）。数据集和评估细节可以在附录中找到。

结果可以在表1中找到。我们发现，最先进的MLLMs 基本上无法对这些文本输入进行视觉表示。提示以文字形式进行逐步推理几乎没有帮助。然而，提供一个白板来使模型能够创建和考虑它们自己的可视化，可以解锁MLLM 中潜藏的视觉思考能力，从而导致性能大幅提升。

空间导航

接下来，我们考虑理解自然语言导航指令的空间含义的任务。给定一系列空间指令，就像图5 中那样，人类通常会使用视觉思考来解决这些任务，例如创建心理图像或绘制物理地图（Garvert 等人，2017；Tversky，2011；Bobek 和 Tversky，2016）。我们的目标是了解MLLMs 是否能够仅用文字解决这些任务，这可能表明某种程度上的隐式视觉思考用于空间导航，或者提供一个白板来绘制显式地图是否能提供额外的价值。

BIG-Bench（Srivastava 等人，2022）中出现了一个简单的导航任务，但它只考虑了在一个直线上向前和向后移动。Yamada 等人（2024）的最新工作提出了一个更复杂的评估套件，用于探测LLMs 的空间理解，包括在各种空间结构中进行导航。特别是，我们注意到2D 网格导航设置（“Square”和“Rhombus”，这里定义为旋转45 度的正方形）与非网格几何形状（“Circle”、“Hexagon”和“Triangle”）之间的区别。因此，我们选择考虑这个评估套件。我们在图5 中提供了一个示例，以及WoT 可视化结果。详细信息可以在附录中找到。

我们在表3 中展示了在 Yamada 等人（2024）提出的不同空间结构上进行导航的结果。与Yamada 等人（2024）一致，我们观察到，使用文字的LLMs 在2D 网格设置上表现出色，但在其他几何形状上表现不佳，Yamada 等人（2024）推测这可能是因为网格设置1）比任何其他设置更容易用文字表示为坐标，尤其是作为直立的“Square”，以及2）可能在互联网上以这种形式呈现更多数据，例如与表格数据、城市网格和2D 迷宫编码问题相关的数据。我们注意到，虽然人类可能最常在文字中描述正方形网格，但网格单元——人类用来导航物理空间甚至映射概念空间（Constantinescu 等人，2016）——将空间表示为六边形网格（Hafting 等人，2005），这引发了关于LLMs 和人类之间空间理解如何不同的有趣问题。WoT 在不同几何形状上表现出更加一致的性能，避免了对2D 网格特定文本知识的依赖，并突出了该方法的通用适用性。这导致了在正方形网格上的性能下降，但在所有其他形状上性能提高，特别是困难的六边形几何形状，从CoT 方法的8% 准确率提高到61%。

结论

我们提出了“思维白板”，这是一种简单、零样本的方法，可以解锁多模态大型语言模型中跨模态的视觉推理能力。我们通过生成可以创建视觉的代码，然后将视觉返回给模型以进行进一步推理来实现这一点。这项工作展示了“思维白板”在多个需要视觉和空间推理的任务上的能力，这些任务迄今为止对当前最先进的文本推理模型来说仍然具有挑战性。随着这些模型在代码生成、理解视觉输入和执行一般推理方面的能力不断提高，我们预计“思维白板”的结果也将相应增长。

参考文献

Alayrac, J., et al. (2022). Flamingo: A Visual Language Model for Few-Shot Learning. arXiv preprint arXiv:2204.06788.
Bobek, C., & Tversky, B. (2016). The role of visual imagery in abstract reasoning. Cognitive Psychology, 88, 1-26.
Brown, T., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877-1887.
Card, S. K., Mackinlay, J. D., & Shneiderman, B. (1999). Readings in information visualization: using vision to think. Morgan Kaufmann.
Chen, M., et al. (2023). Program-of-Thoughts: A Simple and Effective Method for Solving Reasoning Problems with Language Models. arXiv preprint arXiv:2303.17624.
Constantinescu, S., et al. (2016). Grid cells and cognitive maps. Current Opinion in Neurobiology, 38, 13-18.
Feshchenko, A. (2019). Guillaume Apollinaire, Calligrams. Poetry Foundation.
Gao, T., et al. (2023a). Towards Understanding Mathematical Diagrams with Large Language Models. arXiv preprint arXiv:2303.14455.
Gao, T., et al. (2023b). PAL: Program-Aided Language Models for Reasoning. arXiv preprint arXiv:2302.12838.
Garvert, E., et al. (2017). Spatial reasoning in language and thought. Trends in Cognitive Sciences, 21(11), 864-876.
Goh, G., et al. (2021). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2107.07178.
Gupta, A., & Kembhavi, A. (2022). VisProg: Visual Program Synthesis for Reasoning about Images. arXiv preprint arXiv:2203.16477.
Hafting, T., et al. (2005). Microstructure of a spatial map in the entorhinal cortex. Nature, 436(7052), 801-806.
Han, D., et al. (2023). Chart Understanding in the Wild: A Benchmark and Analysis. arXiv preprint arXiv:2303.14254.
Huang, H., et al. (2023). Chart-GPT: A Unified Framework for Chart Understanding with Large Language Models. arXiv preprint arXiv:2304.03907.
Ilharco, G., et al. (2022). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2204.04116.
Jiang, Z., et al. (2024). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2401.07668.
Kazemi, S., et al. (2023). Towards Understanding Mathematical Diagrams with Large Language Models. arXiv preprint arXiv:2303.14455.
Kojima, T., et al. (2023). Large Language Models are Zero-Shot Reasoners. arXiv preprint arXiv:2205.11916.
Li, J., et al. (2023). BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders. arXiv preprint arXiv:2301.12597.
Liu, Z., et al. (2023). MiniGPT-4: Towards Human-Level Understanding and Generation of Images, Videos, and Text. arXiv preprint arXiv:2304.06665.
Lu, J., et al. (2022). Reasoning with Language Models: Towards a Unified Framework for Text and Image Understanding. arXiv preprint arXiv:2205.13751.
Materzynska, J., et al. (2022). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2204.04116.
Menon, S., et al. (2022). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2204.04116.
Noever, D., & Noever, A. (2021). Typographic Attacks: Circumventing Language Models with Visually Similar Text. arXiv preprint arXiv:2107.07178.
Nye, B., et al. (2021). Show Your Work: Scratchpad for Intermediate Computation with Language Models. arXiv preprint arXiv:2104.08125.
OpenAI, et al. (2023). GPT-4. OpenAI.
Patel, A., & Pavlick, E. (2022). Do Language Models Know About the World? An Investigation of Grounding in Language Models. arXiv preprint arXiv:2203.13185.
Schick, T., et al. (2023). Toolformer: Language Models Can Use Tools. arXiv preprint arXiv:2302.00983.
Shen, S., et al. (2023). HuggingGPT: Solving Tasks with the Power of 100+ Billion Parameters. arXiv preprint arXiv:2303.02280.
Srivastava, A., et al. (2022). BIG-Bench: A Benchmark for the Evaluation of Large Language Models. arXiv preprint arXiv:2205.10433.
Surís, D., et al. (2023). ViperGPT: A Visual Reasoning Framework for Large Language Models. arXiv preprint arXiv:2304.06785.
Tversky, B. (2011). Visual thinking. Annual Review of Psychology, 62, 229-254.
Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008.
Wang, Z., et al. (2024). Towards Understanding Mathematical Diagrams with Large Language Models. arXiv preprint arXiv:2402.01176.
Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv preprint arXiv:2201.11903.
Wolf, T., et al. (2020). Transformers: State-of-the-art Natural Language Processing. arXiv preprint arXiv:2004.09813.
Wu, Z., et al. (2024). Visualization-of-Thought: Guiding Language Models to Reason with Visualization. arXiv preprint arXiv:2402.09650.
Yamada, K., et al. (2024). Do Language Models Understand Space? An Evaluation of Spatial Reasoning in Large Language Models. arXiv preprint arXiv:2401.06872.
Yao, X., et al. (2023). Reasoning with Language Models: Towards a Unified Framework for Text and Image Understanding. arXiv preprint arXiv:2303.17142.
Zhang, J., et al. (2023). Towards Understanding Mathematical Diagrams with Large Language Models. arXiv preprint arXiv:2303.14455.
Zhang, J., et al. (2024). Towards Understanding Mathematical Diagrams with Large Language Models. arXiv preprint arXiv:2402.01176.

https://arxiv.org/pdf/2406.14562
Q: 这篇论文试图解决什么问题？

A: 这篇论文介绍了一种名为"Whiteboard-of-Thought"（思维白板）的方法，旨在解决大型多模态语言模型（MLLMs）在处理需要视觉推理能力的文本查询时所面临的挑战。尽管这些模型在算术和符号推理等任务上表现出色，但它们在处理那些对人类来说通过视觉推理就能轻松解决的问题时却常常失败。例如，人类在解决涉及视觉思考的问题时，会自然地在心中形成图像或绘制视觉辅助图，但现有的大型语言模型（LLMs）很难将这种能力扩展到多模态的推理任务中。

具体来说，论文中提到的问题包括：

大型语言模型在处理涉及视觉和空间推理的问题时，即使经过广泛的多模态预训练，也常常无法有效地进行视觉推理。
某些情况下，即使是最先进的模型，在使用链式思考（Chain-of-Thought）提示时，也会出现显著的失败，甚至在某些情况下准确率为0%。

为了解决这些问题，论文提出了"思维白板"提示方法，通过提供一个虚拟的“白板”来让模型绘制出推理步骤的图像，然后将这些图像反馈给模型进行进一步的处理。这种方法不需要额外的示例或专门的模块，而是利用模型现有的能力，通过使用Matplotlib和Turtle等图形库来编写代码，从而实现视觉推理。论文展示了这种方法在四个涉及视觉和空间推理的困难自然语言任务上取得了最先进的结果。

Q: 有哪些相关研究？

A: 论文中提到了多个与"Whiteboard-of-Thought"方法相关的研究领域和具体工作，以下是一些主要的相关研究：

大型语言模型（LLMs）和多模态大型语言模型（MLLMs）：
这些模型通过扩展数据和参数数量，在多种自然语言任务中取得了显著的成功。最近的扩展工作将这些模型应用于多模态输入设置，例如图像输入，取得了很好的效果。
链式思考（Chain of Thought, CoT）提示：
这是一种技术，允许语言模型通过以文本形式写出中间步骤来解决复杂问题。这种方法在算术和符号推理任务上显示出巨大潜力。
工具增强型大型语言模型：
一些研究展示了如何让大型语言模型使用外部工具，如计算器，来辅助中间推理。例如，通过训练模型模仿Python代码执行或将简单计算委托给Python解释器。
视觉和空间推理在LLMs和MLLMs中的应用：
研究表明，LLMs和MLLMs在需要视觉和空间推理的任务上的表现有限，这引发了关于这些模型如何将文本域的知识与视觉等其他模态联系起来的讨论。
ASCII理解：
论文中提到了BIG-Bench任务中的ASCII理解任务，这些任务要求模型重新解释通常具有自然语言解释的角色（例如，'=' 作为等号）在视觉上的排列和空间关系。
空间导航：
论文中考虑了理解自然语言导航指令的空间含义的任务，这些任务通常需要人类使用视觉思考来解决。
其他相关工作：
包括使用树状候选理由搜索（Yao et al., 2023）、文本伪可视化（Wu et al., 2024）、以及使用图像和文本输入的链式思考风格理由（Zhang et al., 2023; Lu et al., 2022）等方法。
工具使用和代码增强：
包括Scratchpads（Nye et al., 2021）、PAL和PoT（Gao et al., 2023b; Chen et al., 2023）等方法，这些方法通过使用Python解释器来增强语言模型的能力。
视觉编程和视觉推理：
例如VisProg（Gupta and Kembhavi, 2022）和ViperGPT（Surís et al., 2023）等方法，它们为LLM提供了视觉模块的API来执行视觉推理。

这些研究为"Whiteboard-of-Thought"方法提供了理论和技术基础，并展示了在多模态推理领域的多种尝试和进展。

Q: 论文如何解决这个问题？

A: 论文通过引入一种名为“Whiteboard-of-Thought (WoT)”的方法来解决大型多模态语言模型（MLLMs）在视觉推理任务中的表现问题。具体来说，WoT方法包括以下几个关键步骤：

提供视觉化能力：WoT方法首先为MLLMs提供了一种能力，即能够创建和处理图像，类似于人类使用白板来展示推理步骤。
生成可视化代码：利用MLLMs现有的能力，通过编写代码（使用如Matplotlib和Turtle等图形库）来创建图像。这些图像代表了问题的中间推理步骤。
执行代码创建图像：将生成的代码在Python解释器中执行，以创建图像。这些图像是模型自身生成的，用于辅助解决视觉推理任务。
图像反馈处理：将创建的图像反馈给MLLMs，让它们使用自身的多模态输入能力来进一步处理这些图像，并基于图像内容进行最终的推理或回答问题。
无需额外示例或模块：WoT方法不需要额外的训练示例或专门的模块，而是直接利用了模型已有的文本生成和图像处理能力。
实验验证：论文在多个涉及视觉和空间推理的自然语言任务上进行了实验，包括BIG-Bench任务和空间导航任务。实验结果表明，WoT方法在这些任务上取得了显著的性能提升，与直接文本推理（Direct）和链式思考（CoT）基线相比，展现了其有效性。
错误分析：论文还对WoT方法在ASCII MNIST任务中的错误进行了详细分析，发现大部分错误源于视觉感知问题，这表明MLLMs在图像理解方面还有待提高。

通过这种方法，WoT能够有效地解锁MLLMs的视觉推理能力，使其在处理需要视觉思考的任务时表现得更加出色。随着MLLMs在代码生成、视觉输入理解和通用推理方面的能力不断提升，WoT方法的潜力也将随之增长。

Q: 论文做了哪些实验？

A: 论文中进行了两类主要的实验来验证“Whiteboard-of-Thought (WoT)”方法的有效性：

ASCII理解任务：这些任务来自BIG-Bench数据集，涉及对ASCII文本图形的理解。具体包括：
ASCII MNIST数字识别
ASCII单词识别
ASCII日文字形（Kanji）识别
这些任务要求模型重新解释通常具有自然语言解释的角色（例如，'=' 作为等号）在视觉上的排列和空间关系。实验结果表明，WoT方法在这些任务上的性能显著优于仅使用文本的基线方法。
空间导航任务：这些任务涉及理解自然语言导航指令的空间含义。论文使用了Yamada等人（2024年）提出的评估套件，包括：
2D网格导航（正方形和菱形）
非网格几何（圆形、六边形和三角形）
在这个任务中，模型需要根据一系列的空间指令来确定最终的位置和找到的物品。实验结果显示，WoT方法在非网格几何上的性能有显著提升，尤其是在六边形几何上，从CoT方法的8%准确率提升到61%。

此外，论文还展示了WoT方法在一些实际应用场景中的例子，如：

Calligrams（形象诗）理解：分析了Guillaume Apollinaire的一首著名形象诗，这首诗的视觉效果是埃菲尔铁塔的形状。WoT方法能够正确识别出诗的视觉意义，而CoT方法则错误地识别为“舌头”或“语音泡泡”的形状。
视频游戏艺术：考虑了在像Minecraft这样的视频游戏中，玩家通过文本描述的动作创建的视觉艺术作品。WoT方法能够根据文本日志或描述生成实际的视觉效果。

这些实验不仅展示了WoT方法在多种任务上的有效性，还揭示了其在实际应用中的潜力。论文还对WoT方法的错误进行了详细分析，发现大部分错误源于视觉感知问题，这表明MLLMs在图像理解方面还有待提高。随着MLLMs在相关领域的能力不断提升，WoT方法的性能预计将进一步提高。

Q: 有什么可以进一步探索的点？

A: 论文中提出了一些可以进一步探索的点，以提高“Whiteboard-of-Thought (WoT)”方法的性能和应用范围：

改进图像生成的精度：尽管使用Matplotlib和Turtle等库可以生成基本的可视化，但这些图像可能需要更精确的控制以更好地适应视觉推理任务。未来的工作可以探索如何更精确地控制生成的图像，以满足特定任务的需求。
提高模型的视觉感知能力：论文中的错误分析表明，许多错误源于模型的视觉感知问题。随着计算机视觉技术的进步，提高MLLMs在图像理解方面的能力将是一个重要的研究方向。
扩展到其他领域：WoT方法目前主要应用于ASCII理解和空间导航任务。未来的工作可以探索将WoT方法扩展到其他需要视觉推理的领域，如几何图形理解、图表分析等。
模型修正自己的可视化：论文中提到，有时生成的可视化可能在技术上是正确的，但由于文本重叠等问题而无法阅读。研究模型如何修正自己的可视化输出，以提高可读性和准确性，可能是一个有价值的研究方向。
减少对特定提示的依赖：论文中提到，为了引导模型生成所需的可视化，需要提供特定的提示。研究如何减少对这些特定提示的依赖，使模型更加灵活和自主，可能是一个有趣的研究方向。
探索不同的可视化技术：除了使用Matplotlib和Turtle等库，还可以探索其他可视化技术，如3D可视化或交互式可视化，以提高模型在复杂任务中的表现。
集成更先进的文本到图像模型：随着文本到图像模型的发展，将这些模型集成到WoT框架中，以提供更高质量的图像生成，可能是一个有前景的研究方向。
评估和缓解潜在风险：论文提到了WoT方法可能带来的潜在风险，如新形式的对抗性攻击。未来的工作可以探索如何评估和缓解这些风险，确保WoT方法的安全和可靠。
提高模型的泛化能力：研究如何提高WoT方法在不同任务和领域中的泛化能力，使其成为一种更加通用的视觉推理工具。
优化模型的计算效率：考虑到WoT方法可能需要多次迭代来生成和修正可视化，研究如何优化这个过程，以提高模型的计算效率，可能是一个重要的研究方向。

这些探索点不仅可以推动WoT方法本身的发展，还可能对多模态人工智能领域的其他问题提供新的解决方案和思路。

Q: 总结一下论文的主要内容

A: 这篇论文的核心内容是提出了一种名为“Whiteboard-of-Thought (WoT)”的方法，旨在提高多模态大型语言模型（MLLMs）在视觉推理任务上的表现。以下是对论文主要内容的总结：

问题识别：论文指出，尽管大型语言模型（LLMs）在文本处理上取得了显著成就，但在需要视觉推理的查询上表现不佳，即使这些查询对人类来说很容易解决。
WoT方法介绍：为了解决上述问题，论文提出了WoT方法，该方法通过提供一个虚拟的“白板”来让模型绘制推理步骤的图像，并将这些图像反馈给模型进行进一步处理。
实现方式：WoT方法利用MLLMs现有的编写代码的能力，使用如Matplotlib和Turtle等图形库来生成图像，而不需要额外的训练示例或专门的模块。
实验验证：论文在多个任务上进行了实验，包括ASCII理解任务和空间导航任务，证明了WoT方法相对于传统文本推理和链式思考（CoT）方法的优越性。
性能提升：实验结果显示，WoT方法在涉及视觉和空间推理的困难任务上取得了最先进的结果，显著提高了模型的准确率。
错误分析：论文对WoT方法在ASCII MNIST任务中的错误进行了详细分析，发现大部分错误源于视觉感知问题，指出了MLLMs在图像理解方面的局限性。
实际应用示例：论文还展示了WoT方法在实际应用中的潜力，如形象诗理解和视频游戏中的视觉艺术分析。
未来研究方向：论文提出了一些未来可能的研究方向，包括提高图像生成的精度、扩展到其他领域、模型修正自己的可视化等。
潜在风险：论文讨论了WoT方法可能带来的潜在风险，如新形式的对抗性攻击，并提出了评估和缓解这些风险的必要性。
结论：论文总结了WoT方法的有效性，并对其在多模态推理领域的应用前景表示乐观。

总的来说，这篇论文提出了一种创新的方法来提升MLLMs在视觉推理任务上的能力，并通过实验验证了其有效性，同时也指出了当前方法的局限性和未来改进的方向。