DiffThinker: Hacia el Razonamiento Multimodal Generativo con Modelos de Difusión

DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models

December 30, 2025

Autores: Zefeng He, Xiaoye Qu, Yafu Li, Tong Zhu, Siyuan Huang, Yu Cheng

cs.AI

Resumen

Si bien los Modelos de Grandes Lenguajes Multimodales (MLLMs) recientes han logrado avances significativos en el razonamiento multimodal, sus procesos de razonamiento siguen siendo predominantemente centrados en texto, lo que conduce a un rendimiento subóptimo en tareas complejas de horizonte largo y centradas en la visión. En este artículo, establecemos un nuevo paradigma de Razonamiento Multimodal Generativo e introducimos DiffThinker, un marco de razonamiento basado en difusión. Conceptualemente, DiffThinker reformula el razonamiento multimodal como una tarea generativa nativa de imagen a imagen, logrando una superior consistencia lógica y precisión espacial en tareas centradas en la visión. Realizamos una comparación sistemática entre DiffThinker y los MLLMs, proporcionando la primera investigación en profundidad sobre las características intrínsecas de este paradigma, revelando cuatro propiedades centrales: eficiencia, controlabilidad, paralelismo nativo y colaboración. Experimentos exhaustivos en cuatro dominios (planificación secuencial, optimización combinatoria, satisfacción de restricciones y configuración espacial) demuestran que DiffThinker supera significativamente a modelos líderes de código cerrado, incluidos GPT-5 (+314.2%) y Gemini-3-Flash (+111.6%), así como a la línea base ajustada Qwen3-VL-32B (+39.0%), destacando al razonamiento multimodal generativo como un enfoque prometedor para el razonamiento centrado en la visión.

English

While recent Multimodal Large Language Models (MLLMs) have attained significant strides in multimodal reasoning, their reasoning processes remain predominantly text-centric, leading to suboptimal performance in complex long-horizon, vision-centric tasks. In this paper, we establish a novel Generative Multimodal Reasoning paradigm and introduce DiffThinker, a diffusion-based reasoning framework. Conceptually, DiffThinker reformulates multimodal reasoning as a native generative image-to-image task, achieving superior logical consistency and spatial precision in vision-centric tasks. We perform a systematic comparison between DiffThinker and MLLMs, providing the first in-depth investigation into the intrinsic characteristics of this paradigm, revealing four core properties: efficiency, controllability, native parallelism, and collaboration. Extensive experiments across four domains (sequential planning, combinatorial optimization, constraint satisfaction, and spatial configuration) demonstrate that 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.