算法论文8

DiffThinker：扩散模型开启多模态推理新时代

机器之心2026-01-07

AI 摘要

上海人工智能实验室等团队发布 DiffThinker，打破传统多模态推理定式，以图像生成完成推理。实验中其性能碾压 GPT - 5 等模型，还证明当前‘以图思考’比‘以视频思考’更高效。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

扩散新范式Hi-DiT终结路线之争

中科大与智象HiDream.ai团队提出混合潜空间-像素空间扩散新模型Hi-DiT，解决了两类传统扩散路线各自的瓶颈，论文被ECCV 2026接收，在多个主流图像生成任务上取得优异性能，仅小幅增加计算开销。

本文介绍发表于IEEE TPAMI 2026的ZeroDiff++模型，是ICLR 2025 ZeroDiff的扩展工作，针对生成式零样本学习的虚假语义关联、分布脱节问题提出新框架，在三项主流基准刷新成绩

视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。

ByteDance Seed团队研究发现，文生图模型中自然语言Caption变长，不意味着模型获更多视觉监督，其信息量更能预测训练损失。团队提出Structured Prompt，从两侧提升文本条件，在多任务上取得显著提升。