【[59星]ThinkDiff：让扩散模型具备多模态上下文推理能力，彻底改变生成图像的方式！亮点：1. 将视觉语言模型与大型语言模型解码器对齐，而非直接对齐扩散解码器，大大简化了训练过程；2. 在CoBSAT基准测试中，将最佳准确率从19.2%提升至46.3%，仅需5小时训练；3. 仅用普通图像-文本对训练，无需复杂多模态数据集】
'I Think, Therefore I Diffuse: Enabling Multimodal In-Context Reasoning in Diffusion Models'
GitHub: github.com/MiZhenxing/ThinkDiff
