NextStep-1：140亿参数自回归模型，开启图像生成可控新时代-优快云博客

NextStep-1：140亿参数自回归模型，开启图像生成可控新时代

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

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，重新定义了AI创作的可控性标准。

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。

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。NextStep-1的出现，恰好填补了这一市场空白。

如上图所示，这是StepFun团队发布的NextStep-1项目介绍页面，标题为"NextStep-1: Toward Autoregressive Image Generation with Continuous Tokens at Scale"，并提供项目主页、GitHub及Hugging Face链接，清晰展示了自回归图像生成技术的定位与资源入口。

核心亮点：连续令牌与自回归的技术革命

纯粹自回归架构设计

NextStep-1最大的创新在于它采用了"自回归"的方式来生成图像。这听起来很复杂，但实际上就像我们写字一样，一个字接着一个字地写下去，每个新字都要参考前面已经写好的内容。这个140亿参数的大型模型配备了一个只有1.57亿参数的轻量级"流匹配头部"，就像一个经验丰富的画家配了一支精巧的画笔。

从图中可以看出，NextStep-1架构以Causal Transformer为骨干、Flow Matching Head为核心，包含文本/图像Tokenizer处理及Patch-Wise Flow Matching细节。这种设计实现了真正意义上的端到端训练，彻底摆脱了传统自回归模型对离散量化的依赖。

突破性技术创新

NextStep-1的颠覆性在于其"纯粹自回归"架构，主要创新点包括：

连续令牌生成技术：团队摒弃传统VQ离散化步骤，采用特制自编码器将图像转换为连续潜变量令牌，配合通道归一化技术稳定高CFG强度下的生成过程。实验数据显示，即使将CFG值提升至常规模型的2倍，NextStep-1仍能保持图像清晰度，伪影率降低72%。
轻量级流匹配头设计：157M参数的流匹配头仅作为采样器存在，模型99%的生成逻辑由Transformer骨干网络主导。对比实验证实：当流匹配头参数从40M增至528M时，图像质量评估指标变化小于3%，印证了Transformer在视觉推理中的核心作用。
噪声正则化训练策略：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。

该图展示了模型在复杂场景生成（如"雨后城市街角的咖啡店"）和精细编辑（如"将红色汽车改为蓝色并添加雪景背景"）任务中的表现。从图中可以看出，NextStep-1不仅能精准还原文本描述的空间关系，还能保持物体边缘的自然过渡，这得益于其逐令牌生成的序列逻辑。

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
世界知识整合：WISE基准取得0.54分，在处理"埃菲尔铁塔旁的唐代风格建筑"等事实性描述时表现接近扩散模型
复杂场景生成：DPG-Bench长文本测试获85.28分，可准确生成包含10+物体的多层级场景
编辑精度：衍生模型NextStep-1-Edit在GEdit-Bench获6.58分，支持像素级物体增删与风格迁移

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：迈向人机协同创作新范式

NextStep-1已在多领域展现应用潜力：游戏开发者利用其分层生成特性设计可编辑场景；广告公司通过精确物体控制实现品牌元素植入；工业设计师则借助空间关系把控生成符合工程规范的原型图。

开发者可通过简洁代码快速部署：

from transformers import AutoTokenizer, AutoModel
from models.gen_pipeline import NextStepPipeline

HF_HUB = "https://gitcode.com/StepFun/NextStep-1-Large-Edit"

# 加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained(HF_HUB, local_files_only=True, trust_remote_code=True)
model = AutoModel.from_pretrained(HF_HUB, local_files_only=True, trust_remote_code=True)
pipeline = NextStepPipeline(tokenizer=tokenizer, model=model).to(device="cuda")

# 生成图像
image = pipeline.generate_image(
    "<image>Add a pirate hat to the dog's head. Change the background to a stormy sea.",
    images=[ref_image],
    hw=(512, 512),
    cfg=7.5
)[0]
image.save("output.jpg")

当前主要挑战在于生成速度：H100 GPU上单张512×512图像需28步采样，较扩散模型慢3-5倍。团队计划通过流匹配头蒸馏和推测解码技术优化，目标将生成时间压缩至2秒内。

总结：可控性优先的创作革命

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。随着优化技术成熟，我们有理由期待：未来的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逻辑精确性，真正实现"所想即所得"的人机协同。

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-Edit 项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large-Edit

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考