DiffThinker: 拡散モデルを用いた生成型マルチモーダル推論

本論文は、マルチモーダル推論のための新しい拡散ベースのフレームワークであるDiffThinkerを紹介しています。特に視覚中心のタスクに優れています。テキスト中心の推論から生成的な画像から画像へのアプローチへとパラダイムをシフトし、論理的整合性と空間的精度において利点を提供します。この論文の重要性は、新しい推論パラダイムの探求と、GPT-5やGemini-3-Flashなどの主要なクローズドソースモデルと比較して、視覚中心のタスクで優れたパフォーマンスを実証していることにあります。

• •生成型マルチモーダル推論のための拡散ベースのフレームワークであるDiffThinkerを紹介。
• •マルチモーダル推論を生成的な画像から画像へのタスクとして再構築。
• •主要なMLLMと比較して、視覚中心のタスクで優れたパフォーマンスを実証。
• •効率性、制御性、ネイティブ並列性、およびコラボレーションという4つのコア特性を強調。