Colaは、言語モデル（LM）を使用して2つ以上の視覚言語モデル（VLM）の出力を統合する手法です。このモデル統合手法は、Cola（COordinative LAnguage model for visual reasoning）と呼ばれています。Colaは、LMファインチューニング（Cola-FTと呼ばれます）を行うと最適な効果を発揮します。また、ゼロショットまたは少ショットコンテキスト学習（Cola-Zeroと呼ばれます）においても有効です。性能向上に加え、ColaはVLMのエラーに対してもよりロバストです。Colaは、InstructBLIPなどの大規模マルチモーダルモデルを含む様々なVLMと、VQA v2、OK-VQA、A-OKVQA、e-SNLI-VE、VSR、CLEVR、GQAの7つのデータセットに適用可能であり、常に性能向上を示すことを実証しました。