विजुअल स्केचपैड एक ऐसा ढाँचा है जो बहुविध बड़े भाषा मॉडल (LLMs) को दृश्य स्केचपैड और ड्राइंग टूल प्रदान करता है। यह मॉडल को योजना बनाने और तर्क करने में अपने द्वारा बनाए गए दृश्य उपकरणों का उपयोग करने की अनुमति देता है। तर्क के चरणों के लिए पाठ का उपयोग करने के पारंपरिक तरीकों के विपरीत, विजुअल स्केचपैड मॉडल को रेखाओं, बॉक्स, चिह्नों आदि का उपयोग करके ड्राइंग करने में सक्षम बनाता है, जो मानव ड्राइंग के तरीके के अधिक करीब है, जिससे तर्क को बेहतर ढंग से बढ़ावा मिलता है। इसके अतिरिक्त, यह ड्राइंग प्रक्रिया में विशेषज्ञ दृश्य मॉडल का उपयोग कर सकता है, जैसे कि बॉउंडिंग बॉक्स बनाने के लिए ऑब्जेक्ट डिटेक्शन मॉडल का उपयोग करना, या मास्क बनाने के लिए सेगमेंटेशन मॉडल का उपयोग करना, जिससे दृश्य धारणा और तर्क क्षमता में और वृद्धि होती है।