当前多模态AI在长期视觉推理任务中受限于文本中心模式，面临可控性差、延迟高等挑战。DiffThinker框架另辟蹊径，将推理过程重构为图像生成任务，不仅显著提升了性能，也为解决复杂视觉逻辑问题提供了新思路。
智能速览
传统多模态AI在视觉推理任务上受限于文本中心模式。
DiffThinker将推理重构为原生的图像到图像生成任务。
该框架具备高效、可控、并行和可协作四大特性。
实验显示其性能远超GPT-5、Gemini等顶尖模型。
该技术还扩展到视频生成，展现了多模态推理的新潜力。
精华内容
当文本成为AI视觉推理的瓶颈，一种全新的生成式范式应运而生。它如何通过图像生成，重塑机器的逻辑世界？
视觉推理的瓶颈
尽管多模态大语言模型（MLLMs）借助思维链技术增强了推理能力，但其核心过程仍是文本中心的。这种局限性在处理需要精确空间理解的长期视觉任务时尤为突出，例如路径规划或组合优化。
具体挑战体现在三方面：推理过程难以控制、生成延迟高，以及在长序列中无法有效跟踪视觉信息的动态变化。这导致模型在需要逻辑一致性的场景中表现不佳。
图像生成新范式
为突破上述瓶颈，研究人员提出了DiffThinker。它是一项基于扩散模型的生成式多模态推理框架，核心创新在于将推理任务从“多模态到文本”的映射，重新定义为“图像到图像”的原生生成任务。
通过利用扩散模型在图像生成中的优势，DiffThinker将推理过程转化为视觉空间的渐进式生成，直接生成解决方案的图像，从而确保了空间精度与逻辑一致性。
四大核心优势
DiffThinker范式带来了四个关键特性。首先是高效性，在模型训练和推理阶段都表现出色。其次是可控性，能提供稳定且可预测的推理成本。
第三是原生并行性，能够并行探索多个候选解决方案，提升效率。最后是协作性，该框架可以与现有的MLLMs协同工作，结合两者优势，实现性能的超越。
性能实测远超SOTA
在覆盖顺序规划、组合优化等四个领域的七个任务中，DiffThinker的实验结果极为亮眼。数据显示，其性能比GPT-5高出314.2%，比Gemini-3-Flash高出111.6%。
即便与在相同数据集上微调的Qwen3-VL-32B基线模型相比，DiffThinker也取得了39.0%的性能提升，充分验证了该生成式推理范式的有效性。
DiffThinker不仅为视觉中心推理开辟了新路，也启示了生成式AI在复杂问题解决中的巨大潜力。未来，当图像与视频也能“思考”，AI的能力边界将被推向何方？
