NextStep-1：连续令牌技术改写AI图像生成规则，自回归模型迎来新突破

【免费下载链接】NextStep-1-Large-Pretrain 项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large-Pretrain

导语

2025年8月，阶跃星辰（StepFun）团队推出的NextStep-1模型以"连续令牌+自回归"的创新架构，在文本到图像生成领域实现突破，这款140亿参数的模型不仅在多项权威基准测试中超越同类自回归模型，更开创了无需离散量化即可生成高保真图像的新范式。

行业现状：扩散模型主导下的技术突围

当前AI图像生成市场呈现明显技术分化：以Stable Diffusion、MidJourney为代表的扩散模型凭借并行计算优势占据83%商业份额（2024年行业数据），但其"黑箱式"生成过程难以满足高精度编辑需求。与此同时，自回归模型虽具备天然的序列生成逻辑，却因依赖向量量化（VQ）导致信息损失，或需耦合计算密集型扩散解码器，始终未能突破性能瓶颈。

2025年全球AI生成内容市场规模预计突破400亿美元，图像生成领域呈现"双轨并行"格局：以Midjourney为代表的闭源商业服务和Stable Diffusion引领的开源生态系统。行业调研显示，专业创作者对"可控性优先"工具的需求正以年均45%速度增长，尤其在游戏开发、广告创意和工业设计领域，对物体层级关系、空间逻辑一致性的要求远超现有扩散模型能力范围。

核心亮点：连续令牌与流匹配的技术革命

统一多模态框架设计

NextStep-1采用140亿参数的Transformer骨干网络，辅以1.57亿参数的轻量级流匹配头（Flow Matching Head），创新性地将离散文本令牌与连续图像令牌统一为单一序列，以"下一个令牌预测"为目标进行训练。

如上图所示，该图展示了NextStep-1自回归图像生成模型的架构，包含文本分词器、图像分词器、因果Transformer及流匹配头等组件，通过连续令牌生成实现文本到图像的生成过程，并呈现Patch-Wise流匹配的细节流程。这一架构极其简洁纯粹，既解放了对离散化的依赖，又摆脱了对外部大型扩散模型的"辅助"，实现了真正意义上的端到端训练。

高维隐空间稳定技术

为解决连续令牌训练的稳定性问题，团队提出两项关键技术：通道归一化（Channel-Wise Normalization）和噪声正则化。通道归一化作为稳定性的"压舱石"，有效稳定了令牌的统计特性，即使在高CFG指导强度下也能确保生成清晰、无伪影的图像；而训练Tokenizer时加入更多噪声正则化，反而显著提升了最终生成图像的质量。

创新训练策略

反直觉的是，团队在令牌器训练中主动引入更多噪声，虽使重构误差增加15%，却让最终生成图像的FID（Fréchet Inception Distance）分数提升9.3%。这种"以退为进"的策略构建了更鲁棒的潜在空间，使自回归模型学习更高效。

该图展示了StepFun阶跃星辰团队发布的NextStep-1项目标题页，展示了其自回归图像生成技术的项目信息及开源链接。这一架构直观地呈现了文本令牌流与图像令牌流在自回归生成过程中的交互机制，为广大读者理解连续令牌生成逻辑提供了极具价值的结构参考。

性能解析：权威基准测试中的SOTA表现

在国际权威评测中，NextStep-1展现出全面优势：

• 文本对齐能力：GenEval基准测试获0.63分（启用自洽链技术提升至0.73），超过Emu3（0.311）和Janus-Pro（0.267）等同类模型；GenAI-Bench高级提示测试达到0.67分；DPG-Bench长文本多对象场景测试取得85.28分。

• 世界知识整合：WISE基准测试获得0.54分（使用思维链技术后提升到0.67分），在自回归模型中表现最佳，甚至超过了大多数扩散模型。当使用提示重写协议时，得分进一步提升到0.79分（思维链技术下为0.83分）。

• 图像编辑能力：NextStep-1-Edit在GEdit-Bench英文测试中获得6.58分，在ImgEdit-Bench测试中获得3.71分，证明了其在实际编辑应用中的强大能力。

特别值得注意的是其逻辑一致性优势：在"桌上左侧放苹果右侧放香蕉，上方悬挂吊灯"的指令测试中，NextStep-1的物体位置准确率达91%，远超扩散模型的67%。

行业影响与趋势

多领域应用潜力

NextStep-1已在多领域展现应用潜力：

• 游戏开发：利用其分层生成特性设计可编辑场景，保持全局光照和风格一致性
• 广告创意：通过精确编辑能力实现品牌元素的精准植入，控制产品位置、角度及周围环境
• 工业设计：受益于对空间关系的严格把控，生成符合工程规范的产品原型，缩短从创意到原型的转化周期

开源生态与开发者支持

StepFun团队开源了完整代码与模型权重，开发者通过以下核心代码即可部署基础功能：

from models.gen_pipeline import NextStepPipeline
pipeline = NextStepPipeline.from_pretrained("stepfun-ai/NextStep-1-Large-Edit")
image = pipeline.generate_image("a futuristic cityscape at dusk", seed=3407)
image.save("output.jpg")

项目仓库地址为：https://gitcode.com/StepFun/NextStep-1-Large-Pretrain

挑战与未来趋势

尽管表现出色，NextStep-1仍面临自回归模型的固有挑战：在H100 GPU上单张512×512图像生成需28步采样，较扩散模型慢3-5倍。团队已提出优化方向：

• 流匹配头蒸馏以实现少步生成
• 借鉴LLM领域的推测解码技术加速序列生成
• 探索专为分块自回归模型设计的高分辨率生成策略，如结合2D位置编码和多尺度生成技术

随着模型迭代，我们有理由期待未来的AI创作工具既能保持扩散模型的生成效率，又具备自回归模型的精细控制，真正实现"人机协同"的创作新范式。NextStep-1当前的探索，正为这一融合方向奠定基础。

结论：自回归范式的新起点

NextStep-1的意义不仅是技术突破，更标志着AI图像生成从"效率优先"向"可控性优先"的范式转变。其通过"连续令牌+自回归"的创新架构，既保留了自回归模型的可控性优势，又突破了传统离散令牌带来的精度限制，为图像生成技术开辟了新路径。

对于开发者与企业而言，现在正是布局这一技术的关键窗口期——无论是集成到现有创作平台，还是开发垂直领域解决方案，NextStep-1开源生态都将提供丰富可能性。正如阶跃星辰团队在论文中所述："连续令牌自回归不是终点，而是多模态生成的NextStep。"

【免费下载链接】NextStep-1-Large-Pretrain 项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large-Pretrain