DiffThinker：基于扩散模型的生成式多模态推理

本文介绍了DiffThinker，一个用于多模态推理的新型基于扩散的框架，尤其擅长视觉中心任务。它将范式从以文本为中心的推理转变为生成式图像到图像的方法，在逻辑一致性和空间精度方面具有优势。本文的重要性在于它探索了一种新的推理范式，并证明了其在视觉中心任务中优于GPT-5和Gemini-3-Flash等领先的闭源模型。

• •介绍了DiffThinker，一个用于生成式多模态推理的基于扩散的框架。
• •将多模态推理重新定义为生成式图像到图像的任务。
• •与领先的MLLM相比，在视觉中心任务中表现出色。
• •强调了四个核心特性：效率、可控性、原生并行性和协作。