NextStep-1：连续令牌技术引领AI图像生成范式变革
【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，StepFun AI推出的140亿参数自回归模型NextStep-1，以"连续令牌+流匹配"创新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"生成过程导致可控性不足；而传统自回归模型受限于离散令牌量化损失，始终难以突破图像质量瓶颈。这种技术割据使得专业创作者陷入"高质量vs高精度控制"的两难选择。
阿里云创新中心2024年研究表明，使用连续标记的模型产生的图像质量显著高于离散标记方案，且生成标记顺序对评估性能有重大影响。这为自回归模型的技术突围指明了方向——NextStep-1正是这一研究方向的集大成者，通过140亿参数Transformer骨干网络与1.57亿参数流匹配头的创新融合，首次实现了无需离散量化的端到端自回归图像生成。
核心亮点：连续令牌技术三大突破
1. 架构创新：统一离散-连续令牌空间
NextStep-1最革命性的突破在于其"离散文本令牌+连续图像令牌"的混合架构。传统自回归模型需通过向量量化(VQ)将图像转换为离散令牌，不可避免造成信息损失；而NextStep-1采用改进的Flux VAE作为图像令牌器，直接生成16通道连续潜在表示，配合流匹配头实现连续令牌的自回归预测。这种设计使模型在GenEval基准测试中取得0.63的高分，较传统VQ方案提升27%。
2. 性能跃升：多维度测评刷新纪录
在多项权威测评中，NextStep-1展现出全面优势：
- GenAI-Bench：基础提示0.88分，高级提示0.67分，均为自回归模型第一
- DPG-Bench：综合得分85.28，超越同类模型19.3%
- WISE基准：整体得分0.54（使用Self-CoT时达0.67），超过部分扩散模型
如上图所示，NextStep-1生成的图像集合展示了其在人物、动物、城市景观等多种场景下的高保真度表现。中间突出显示的"NextStep1"标识周围环绕着不同风格的生成结果，直观体现了模型对细节纹理和场景深度的精准把控能力，这正是连续令牌技术在减少信息损失方面的直接体现。
3. 编辑能力：自然语言驱动的多模态交互
NextStep-1在图像编辑领域展现出独特优势。通过在100万高质量编辑数据上微调，模型可理解复杂自然语言指令，实现物体增删、背景修改、动作调整等多种编辑操作。在GEdit-Bench测试中，其编辑得分达6.58，尤其在"保持原图风格一致性"和"指令跟随准确率"两项指标上领先同类模型。这种能力源于其自回归生成的逐块特性，为交互式创作提供了天然支持。
行业影响与趋势：自回归范式的复兴
NextStep-1的出现正在重塑AI图像生成技术格局。其三大产业价值不容忽视：
创作流程重构：纯自回归设计避免了扩散模型的复杂采样流程，使图像生成从"随机噪声迭代"转变为"逐步精细创作"，更符合人类创作习惯。StepFun开放平台数据显示，采用NextStep-1的创作者平均交互修改次数减少42%。
工程部署简化：统一架构降低了多模态系统的开发复杂度。开发者可通过简洁API实现文本-图像-编辑全流程：
from models.gen_pipeline import NextStepPipeline
pipeline = NextStepPipeline.from_pretrained("StepFun/NextStep-1-Large")
image = pipeline.generate_image("A realistic photograph of a wall with 'NextStep-1.1 is coming' prominently displayed")
多模态扩展潜力：统一处理文本/图像令牌的框架为视频生成、3D建模等领域提供了可扩展路径。StepFun后续发布的Step1X-Edit v1.2图像编辑模型正是基于这一架构演进而来，在GEdit-Bench评测中实现7.42的整体编辑得分。
总结：可控性与质量的平衡之道
NextStep-1以连续令牌技术突破了自回归模型的性能瓶颈，证明了在不牺牲图像质量的前提下，构建纯粹端到端自回归图像生成模型的可行性。尽管仍面临推理速度慢（H100单卡生成512x512图像需28步）、高分辨率生成效率低等挑战，但其在可控性、编辑能力和多模态扩展方面的优势已显现出独特竞争力。
对于行业从业者，现阶段可重点关注三个方向：内容创作领域的交互式设计工具、电商场景的虚拟商品生成，以及教育行业的可视化教学素材制作。随着StepFun计划推出的推测解码优化和流匹配头蒸馏技术，自回归模型有望在保持可控性优势的同时，进一步缩小与扩散模型在生成速度上的差距，推动AI创作工具向更智能、更自然的方向发展。
【免费下载链接】NextStep-1-Large 项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
