DiffThinker: Verso un Ragionamento Multimodale Generativo con Modelli di Diffusione
DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models
December 30, 2025
Autori: Zefeng He, Xiaoye Qu, Yafu Li, Tong Zhu, Siyuan Huang, Yu Cheng
cs.AI
Abstract
Sebbene i recenti Modelli Linguistici Multimodali di Grande Dimensione (MLLM) abbiano compiuto progressi significativi nel ragionamento multimodale, i loro processi deduttivi rimangono prevalentemente incentrati sul testo, portando a prestazioni subottimali in compiti complessi, a lungo orizzonte e centrati sulla visione. In questo articolo, stabiliamo un nuovo paradigma di Ragionamento Multimodale Generativo e introduciamo DiffThinker, un framework deduttivo basato sulla diffusione. Concettualmente, DiffThinker riformula il ragionamento multimodale come un compito generativo nativo da immagine a immagine, raggiungendo una superiore coerenza logica e precisione spaziale in compiti incentrati sulla visione. Eseguiamo un confronto sistematico tra DiffThinker e gli MLLM, fornendo la prima indagine approfondita sulle caratteristiche intrinseche di questo paradigma, rivelando quattro proprietà fondamentali: efficienza, controllabilità, parallelismo nativo e collaborazione. Esperimenti estesi in quattro domini (pianificazione sequenziale, ottimizzazione combinatoria, soddisfacimento di vincoli e configurazione spaziale) dimostrano che DiffThinker supera significativamente i principali modelli proprietari, inclusi GPT-5 (+314.2%) e Gemini-3-Flash (+111.6%), nonché il baseline fine-tuned Qwen3-VL-32B (+39.0%), evidenziando il ragionamento multimodale generativo come un approccio promettente per il ragionamento centrato sulla visione.
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.