多模態推理新范式！DiffThinker：用擴散模型「畫」出推理和答案

在多模態大模型（MLLMs）領域，思維鏈（CoT）一直被視為提升推理能力的核心技術。然而，面對復雜的長程、視覺中心任務，這種基于文本生成的推理方式正面臨瓶頸：文本難以精確追蹤視覺信息的變化。形象地說，模型不知道自己想到哪一步了，對應圖像是什么狀態。

盡管近期的「Thinking with Image」范式可以通過工具等對圖像進行操作，但它們難以擴展到更復雜的長程任務，且在多輪交互中本身開銷巨大。

近日，來自上海人工智能實驗室、南京大學、香港中文大學和上海交通大學的研究團隊提出了一種全新的生成式多模態推理（Generative Multimodal Reasoning）范式，并發布了模型DiffThinker

DiffThinker 徹底打破了「多模態輸入 -> 文本輸出」的傳統定式，將推理過程重構為圖像到圖像（Image-to-Image）的生成任務。通過擴散模型（Diffusion Models），DiffThinker 能夠在視覺空間中直接生成推理路徑。

實驗結果令人驚訝：在包含長程規劃、組合優化、約束滿足、空間推理等 7 項視覺中心的復雜任務中，DiffThinker 的表現顯著優于包括GPT-5 (+314.2%)和Gemini-3-Flash (+111.6%)在內的頂尖閉源模型，以及經過相同數據微調的 Qwen3-VL-32B 基線 (+39.0%)。

• 論文標題：DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models
• 論文地址
• https://arxiv.org/abs/2512.24165
• 項目主頁
• https://diffthinker-project.github.io
• 代碼倉庫
• https://github.com/lcqysl/DiffThinker

01 從「以文思考」到「以圖思考」

現有的多模態大模型在處理視覺推理任務時，難以追蹤視覺信息的變化。比如在空間導航任務（VSP、Maze 等）中，模型僅靠語言分析路徑，但輸入圖像不變，路徑一長就很容易「看走眼」，不知道自己已經走到了哪。又比如拼圖任務，模型如果不能直接對拼圖操作，很難憑空想象出答案。即便是最新的「Thinking with Image」范式，也往往依賴于多輪對話和工具調用，導致推理鏈路極長，難以擴展到復雜場景。

研究團隊還在項目主頁提供了幾個小游戲，以直觀理解人與 MLLM 的思維范式差異。

那么，為什么不能讓模型直接「看」著問題，把答案「畫」出來？

DiffThinker 提出的核心理念正是如此。研究團隊認為，多模態推理不應局限于符號空間，而應回歸視覺空間，利用擴散模型直接生成答案。具體來說，DiffThinker 基于 Qwen-Image-Edit，配合 Flow Matching 訓練直接用圖像生產答案。

02 DiffThinker 的四大核心特性

作為全新的生成式推理范式，DiffThinker 展現出了傳統 MLLM 難以企及的四大特性：

• 高效推理（Efficient Reasoning）相比于 MLLM 動輒生成數千個 Token 的長思維鏈，DiffThinker 在訓練和推理效率上均表現出色，且準確率更高。

• 可控推理（Controllable Reasoning）MLLM 的輸出長度不可預測，常出現過長思維鏈甚至輸出崩潰導致死循環。而 DiffThinker 通過固定步數的歐拉求解器，能夠以確定的計算預算完成推理，不受任務邏輯復雜度的干擾。

• 原生并行推理（Native Parallel Reasoning）這是擴散模型獨有的優勢。在推理時，DiffThinker 能夠在視覺空間中同時探索多條潛在路徑，并隨著去噪過程逐步收斂到最優解。這使得模型可以「邊畫邊推理」，更直觀。

• 協同推理（Collaborative Reasoning）DiffThinker 還可以與 MLLM 合作。它生成多個候選視覺解，再由 MLLM 進行邏輯驗證。實驗顯示，這種「DiffThinker 生成 + MLLM 驗證」的組合，性能實現「1+1>2」，超越了任何單一模型。

03 實驗結果：碾壓級的性能

研究團隊在四個領域的七大任務上進行了系統評測，包括：

• 序列規劃：VSP，VSP-Super，Maze（迷宮）
• 組合優化：TSP（旅行商問題）
• 約束滿足：Sudoku（數獨）
• 空間配置：Jigsaw（拼圖），VisPuzzle

主要結果如下：

DiffThinker 在所有任務上的平均得分高達87.4，而 GPT-5 僅為 21.1，Gemini-3-Flash 為 41.3。同數據訓練的 Qwen3-VL-32B 也只有62.9。

04 視頻生成 vs 圖像生成

既然是視覺推理，用視頻模型（Video Generation）會不會更好？

團隊基于 Wan2.2-TI2V-5B 開發了 DiffThinker-Video 版本。結果發現，雖然視頻能展示動態過程，但在推理準確率上反而不如圖像生成模型，且推理時間增加了近一倍（1.1s vs 2.0s）。這表明，在當前的算力與模型架構下，「以圖思考」仍是比「以視頻思考」更高效的路徑。

05 結語

DiffThinker 的出現，標志著生成式多模態推理（Generative Multimodal Reasoning）時代的開啟。它證明了擴散模型不僅能畫畫，還能進行嚴密的邏輯推理。

對于長程、視覺中心的復雜任務，將推理過程從「文本流」轉變為「視覺流」，或許正是通往下一代通用人工智能的關鍵一步。