多模态推理新范式：上海AILab新作证明“画”出答案比“说”出答案更靠谱

背景：当前基于自回归架构的大语言模型和多模态大模型在处理长程、视觉中心任务时存在缺乏全局观和难以纠错的短板。研究目的：上海人工智能实验室联合多所高校提出DiffThinker模型，旨在利用扩散模型构建一种全新的视觉推理范式，以提升在视觉中心任务上的性能。结论：DiffThinker在多个视觉推理任务上取得了显著优于GPT-5、Gemini-3-Flash及同数据训练的Qwen3-VL-32B的准确率，并通过与多模态大模型的协同推理实现了性能的进一步提升，展示了扩散模型在空间直觉与想象力方面的潜力，为通用智能的发展提供了新思路。