Cantorは、マルチモーダル連鎖思考（CoT）フレームワークです。知覚意思決定アーキテクチャを通じて、視覚的コンテキストの取得と論理的推論を組み合わせ、複雑な視覚推論タスクを解決します。Cantorはまず意思決定ジェネレーターとして機能し、視覚入力を統合して画像と問題を分析することで、現実の状況とのより緊密な整合性を確保します。さらに、Cantorは大規模言語モデル（MLLM）の高度な認知機能を活用し、多面的な専門家として、より高次の情報を導き出し、CoT生成プロセスを強化します。Cantorは2つの複雑な視覚推論データセットで広範な実験を行い、微調整や事実上の根拠なしに、マルチモーダルCoTのパフォーマンスを大幅に向上させることで、提案されたフレームワークの有効性を証明しました。