多模态推理是一项具有挑战性的任务，需要模型在多种模态之间进行推理以回答问题。现有的方法通过将语言和视觉模态整合到一个两阶段推理框架中，将理由生成与答案推断分开，取得了一定的进展。然而，这些方法往往由于生成的理由质量不足而表现不佳。在这项工作中，我们深入探讨了理由在模型推理中的重要性。我们观察到，当理由完全准确时，模型的准确性显著提高，这突显了高质量理由生成的必要性。受此启发，我们提出了MC-CoT（Multi-Choice Chain-of-Thought），一种自一致性训练策略，该策略生成多个理由和答案，并通过投票过程选择最准确的一个。这种方法不仅提高了生成理由的质量，还使得答案更加准确和鲁棒。通过广泛的实验，我们证明了我们的方法在各种基准测试中显著提升了模型性能。值得注意的是，即使较小的基础模型，在配备了我们提出的方法后，也能达到与较大模型相当的结果，展示了我们的方法在利用高质量理由以改进多模态推理方面的潜力。代码可在 https://github.com/chengtan9907/mc-cot 获取。