背景
GPT-3没有被完全激活发挥出实力，主要限制有两点：
1.GPT-3应该摒弃一些无用信息，关注问题本身所关注的信息。“一群人在城市广场上行走”对回答“这些树结出什么果实”这个问题毫无帮助。在这种情况下，GPT-3不得不做出一个漫无目的和有偏见的猜测来回答这个问题。”
2.GPT-3采用了少量的学习范式，需要一些上下文中的例子来适应新的任务。因此，这些示例的选择对于模型性能至关重要。
{few-shot：GPT-3只需要在推理时将任务的几个例子与作为提示的输入连接起来，并且不需要参数更新。}
本文思路
1.首先将一组示例传入VQA模型，得到一组案例。
如：图片是一个老人面前一个生日蛋糕，问题是老人在吹什么？然后VQA生成的答案有蜡烛、生日、火。
问题、语义、候选答案都作为提示输入gpt-3，最终得出想要的答案。
依据上图，最终结果用公式表示为：
由于GPT-3本质上不理解图像，因此需要使用现成的off-the-shelf captioning模型将图像转换为文字提示(PICa)：
PICa的完整提示由一个固定的提示头、几个上下文中的示例和一个测试输入组成。此提示被输入GPT-3以进行答案预测。
阶段一：答案启发式生成
首先解释一下VQA模型一般包含两个子模型，一个作用是embeding生成融合特征z，一个是分类头，用于生成答案词汇y。
首先第一个子模型，用于生成融合特征：
第二个子模型：生成候选词汇答案：
作者将以上模型作为对比的方案，加入GPT-3的指引，验证有效性。
下面是作者初步操作：
制作e集合，其实就是few-shot中的support set。
生成的example首先肯定需要候选答案词汇，作者选择y中TopK得分的：
这就是生成的提示示例(w为词汇，y为得分)，但是还有一点，是选择哪些图片来当作示例呐？
作者说：
“我们推测这些融合特征位于一个潜在的答案空间中，该空间包含给定图像-问题对的答案的丰富语义。”
“如果z和zi在潜在空间中接近，他们更有可能共享相似的答案和图像问题输入。”
于是作者计算了test(测试案例，也就是few-shot中的query)同其他vq对的融合特征的余弦距离，选取TopN最接近的。
当然，作者提到，这些z特征是可以被提前计算好的。
阶段二：启发式增强提示
向上面图二中展示的，下一个流程就是生成提示增强gpt-3预测。
也就是这一部分：
虽然可以看到给gpt-3提供了候选答案，但是gpt3同样可以选择生成新答案。
最后不管是e集合还是test，输入gpt-3的格式是这样的：
其中confidence会帮助gpt-3关注更有利的候选答案， 作者会进行多次操作输入gpt-3，投票选出结果：
