标签
本文提出了ProcedureVQA，一个面向视觉程序问答的基准测试，以及Chain-of-Procedure（CoP），一种分层推理框架，通过视觉线索检索相关指令，并借助语义分解细化步骤，相较于基线方法实现了最高13%的性能提升。