DiffThinker：基于扩散模型的生成式多模态推理
分析
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。
要点
引用 / 来源
查看原文"DiffThinker significantly outperforms leading closed source models including GPT-5 (+314.2%) and Gemini-3-Flash (+111.6%), as well as the fine-tuned Qwen3-VL-32B baseline (+39.0%), highlighting generative multimodal reasoning as a promising approach for vision-centric reasoning."