DiffThinker: Op weg naar generatief multimodaal redeneren met diffusiemodellen

DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models

December 30, 2025

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

cs.AI

Samenvatting

Hoewel recente Multimodale Large Language Models (MLLM's) aanzienlijke vooruitgang hebben geboekt in multimodale redeneervaardigheden, blijft hun denkproces overwegend tekstgecentreerd. Dit leidt tot suboptimale prestaties bij complexe, langetermijn- en visiegecentreerde taken. In dit artikel introduceren we een nieuw paradigma voor Generatief Multimodaal Redeneren en presenteren we DiffThinker, een op diffusie gebaseerd denkkader. Conceptueel herformuleert DiffThinker multimodaal redeneren als een native generatieve beeld-naar-beeld taak, wat superieure logische consistentie en ruimtelijke precisie oplevert in visiegecentreerde taken. We voeren een systematische vergelijking uit tussen DiffThinker en MLLM's, waarbij we het eerste diepgaande onderzoek presenteren naar de intrinsieke eigenschappen van dit paradigma. Dit onthult vier kerneigenschappen: efficiëntie, beheersbaarheid, native parallelliteit en samenwerkingsvermogen. Uitgebreide experimenten in vier domeinen (sequentiële planning, combinatorische optimalisatie, constraint satisfaction en ruimtelijke configuratie) tonen aan dat DiffThinker aanzienlijk beter presteert dan toonaangevende closed-source modellen, waaronder GPT-5 (+314.2%) en Gemini-3-Flash (+111.6%), evenals de gefinetunede Qwen3-VL-32B-basislijn (+39.0%). Dit benadrukt generatief multimodaal redeneren als een veelbelovende aanpak voor visiegecentreerd redeneren.

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.