Socratic Models（苏格拉底模型）

Socratic Models: Composing Zero-Shot Multimodal Reasoning with LanguageSMs进阶

用自然语言当接口，把多个现成大模型零样本串起来完成多模态任务的框架

谷歌 Andy Zeng、Pete Florence 等人 2022 年 4 月发布。不同基础模型各有所长：视觉语言模型（VLM，能看图说话）懂图像，大语言模型（LLM）懂常识和推理，音频模型懂声音。Socratic Models 不做任何微调，而是用自然语言当公共接口，把一个模型的输出写进另一个模型的提示词里，让它们像对话一样交换信息，零样本组合出新能力。论文展示了第一人称视频问答、多模态助手对话，以及机器人感知与规划：先由视觉模型把桌面物体转成文字描述，再由 LLM 把指令拆成一步步抓取放置动作，交给预训练的语言条件策略执行。它和同期的 SayCan、代码即策略一起，代表了「用大语言模型当机器人规划器」的早期路线。