NextStep-1：连续令牌技术开启自回归图像生成新纪元
【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
阶跃星辰（StepFun）团队推出的NextStep-1模型以"连续令牌+自回归"创新架构，在文本到图像生成领域实现突破，140亿参数模型不仅超越同类自回归模型，更开创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，用于文本到图像的生成过程。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。
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
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
该图片展示了NextStep-1模型在高保真图像生成、多样化图像编辑及复杂自由形式操作方面的能力，通过分区域示例图呈现不同场景的生成结果和编辑效果。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")
团队提供的仓库地址为：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
该图片展示StepFun阶跃星辰团队发布的NextStep-1项目标题页，介绍其在大规模连续Token自回归图像生成方向的研究，包含项目主页、GitHub及Huggingface链接，呈现文本与图像令牌流自回归生成的交互机制。这一架构设计为理解连续令牌生成逻辑提供了直观的结构参考。
总结：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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
