DiffThinker：扩散模型实现视觉空间推理新范式

我们提出了 DiffThinker，一种基于扩散模型的生成式多模态推理新范式。不同于依赖文本中心思维链的方式，DiffThinker 将推理重新构想为原生图像到图像的生成过程。这一转变实现了：• 在长程视觉任务中更高的逻辑一致性和空间精度 • 可控且稳定的推理成本 • 对多个候选解的原生并行推理 • 与 MLLM 的有效协作，性能优于任何单独模型。扩散模型可以直接在视觉空间中进行推理。