思维扩散：在扩散多模态语言模型中惩罚并引导视觉接地推理

扩散大语言模型（dLLMs）作为自回归模型的替代方案，正扩展至多模态任务。然而，结合思维链推理时，dMLLMs 存在两大缺陷：过早生成最终答案导致推理不充分，以及初始阶段对视觉提示依赖不足。为此，本文提出位置与步长惩罚（PSP）以延迟答案生成，鼓励渐进式推理；并提出视觉推理引导（VRG）以增强视觉证据的对齐。实验表明，该方法在多个 dMLLMs 上准确率提升高达 7.5%，且相比增加扩散步数的基线方法速度提升超过 3 倍。