NextStep-1：连续令牌技术引领自回归图像生成范式革新

NextStep-1：连续令牌技术引领自回归图像生成范式革新

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

导语

2025年8月，阶跃星辰（StepFun）团队推出的140亿参数自回归模型NextStep-1，以"连续令牌+流匹配"架构突破传统技术瓶颈，在多项权威测评中刷新自回归模型性能纪录，开创了AI像人类画家般"逐步创作"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；而传统自回归模型受限于离散令牌化瓶颈，生成质量与效率长期落后。

市场研究机构Metatech Insights数据显示，2024年全球AI图像生成器市场规模达41.85亿美元，预计2025-2035年复合增长率将达18.2%。随着企业级应用占比首次超过消费者市场（达58%），行业对生成可控性、编辑精度和部署效率的需求日益迫切，为自回归技术的突破创造了战略窗口期。

技术突破：连续令牌架构的三重革新

NextStep-1通过重构自回归模型的技术底座，实现了三大关键突破：

1. 连续视觉令牌技术

不同于传统模型将图像压缩为离散令牌的做法，该模型创新性地采用连续图像令牌，完整保留视觉数据的丰富细节。140亿参数的Transformer骨干网络配合1.57亿参数的轻量级流匹配头，直接在连续空间中生成图像Patch，从根本上消除了离散化导致的信息损失。

2. 纯自回归端到端架构

如上图所示，StepFun团队发布的NextStep-1研究标题页，清晰展示了该模型的核心定位："Toward Autoregressive Image Generation with Continuous Tokens at Scale"。这一架构设计彻底摆脱了对外部扩散模块的依赖，实现了从文本到图像的全链路自回归生成。

3. 统一序列建模框架

模型将离散文本令牌与连续图像令牌统一为单一序列，通过因果Transformer进行联合建模。这种设计使系统能像处理自然语言一样理解视觉内容的时序依赖关系，为精细控制图像生成过程奠定基础。

性能解析：自回归模型的新高度

在权威基准测试中，NextStep-1展现出突破性性能：

生成质量与扩散模型比肩

在GenEval评测中，模型文本理解准确率达0.73分（启用self-CoT条件）；DPG-Bench长文本处理任务获得85.28分，超越Stable Diffusion 3.5 Large（83.38分）和Flux-1-dev（83.79分）。尤其在世界知识整合能力上，WISE基准测试总分0.54，物理常识维度得分0.63，展现出对客观世界规律的深刻理解。

图像编辑能力媲美专业工具

该图展示了NextStep-1自回归图像生成模型的整体架构，包含因果Transformer、流匹配头、文本与图像分词器等核心组件。专用编辑模型NextStep-1-Edit在GEdit-Bench获得6.58分，ImgEdit-Bench达到3.71分，可精准执行"将沙漠背景替换为热带雨林"等复杂编辑指令，性能媲美GPT-4o（4.20分）。

效率提升40%的推理性能

得益于纯自回归设计，模型在消费级GPU上实现实时交互，生成速度较Stable Diffusion XL提升约40%。H100 GPU上单Token推理延迟优化至毫秒级，为工业化部署提供了效率基础。

应用场景：从创意设计到专业领域

NextStep-1的技术特性使其在多场景具备独特优势：

1. 专业视觉创作

模型支持物体增删、背景替换、动作调整、风格迁移等全场景编辑，能将"清晨的城市街景"实时转换为梵高星空风格，为数字艺术家提供全新创作范式。

2. 企业级内容生产

该图展示了NextStep-1-Large模型在图像生成、图像编辑及自由形式操作方面的能力，包含人物、动物等场景生成，添加物体、材质等多种编辑类型。电商平台可利用其批量生成商品展示图，广告公司能快速制作多版本创意素材，显著降低视觉内容生产成本。

3. 精准编辑与控制

连续令牌技术使局部修改成为可能，如"给人物添加红色围巾"等精细操作可保持整体风格统一，为建筑设计、工业原型等专业领域提供精确的视觉化工具。

行业影响：开启自回归生成新纪元

NextStep-1的发布标志着自回归技术在图像生成领域的全面复兴，其影响将体现在三个层面：

技术路线多元化

模型证明纯自回归架构可实现与扩散模型相当的生成质量，打破了"扩散模型=高质量"的行业认知，推动视觉生成技术向多路径发展。

开源生态新活力

作为开源模型，NextStep-1已在Hugging Face开放权重与代码（项目路径：StepFun/NextStep-1-Large），其创新架构为学术界提供了新的研究范式，有望激发更多自回归视觉模型的探索。

企业级应用深化

随着生成可控性和编辑精度的提升，AI图像技术将从创意辅助工具进化为核心生产力，尤其在需要高度定制化的工业设计、医疗成像等专业领域，自回归模型的精细控制能力将展现独特价值。

未来展望：挑战与机遇并存

尽管表现出色，NextStep-1仍面临技术挑战：高分辨率生成收敛效率待提升、小数据集微调稳定性不足、推理速度需进一步优化。团队计划通过多Token预测、流匹配头轻量化等技术路径持续改进。

随着多模态技术融合加速，自回归模型有望成为连接文本、图像、音频的通用框架。NextStep-1的探索表明，在AI生成领域，"简洁而强大"的架构设计可能比单纯增加模型规模更具革新意义。对于企业而言，及早布局自回归技术应用，将在未来视觉内容生产革命中占据先机。

部署指南

NextStep-1已开源，开发者可通过以下步骤快速体验：

git clone https://gitcode.com/StepFun/NextStep-1-Large
cd NextStep-1-Large
conda create -n nextstep python=3.11 -y
conda activate nextstep
pip install uv
uv pip install -r requirements.txt

模型支持文本生成图像和图像编辑功能，详细API文档参见项目README。通过这一创新工具，开发者可构建高度可控的视觉生成应用，探索自回归技术在各行业的落地可能。

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