NextStep-1：连续令牌技术引领AI图像生成进入可控创作新纪元

NextStep-1：连续令牌技术引领AI图像生成进入可控创作新纪元

【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）团队发布的140亿参数自回归模型NextStep-1，以"Transformer大脑+流匹配画笔"的创新架构，在文本到图像生成领域实现自回归模型性能突破，不仅在多项权威基准测试中超越同类模型，更开创了"像人类画家一样逐步创作"的AI生成范式。

行业现状：两种技术路线的发展

当前AI图像生成领域存在明显的技术路线分化。以Stable Diffusion、MidJourney为代表的扩散模型凭借并行优化能力占据主流市场，2024年数据显示其占据商业图像生成市场83%份额，但其"黑箱式"生成过程缺乏可控性；而自回归模型虽具有天然的序列生成优势，却因依赖离散量化（VQ）导致信息损失，或需耦合计算密集型扩散解码器，始终难以突破性能瓶颈。

行业调研显示，专业创作者对"高精度可控生成"的需求缺口正以年均45%速度增长。NextStep-1的出现，恰好回应了这一市场需求，通过连续视觉空间生成技术，首次在自回归框架下实现与扩散模型相竞争的生成质量。2025年全球多模态AI市场规模预计达24亿美元，其中图像编辑工具用户增速突破189%，为NextStep-1这样的创新技术提供了广阔的应用空间。

核心亮点：连续token流匹配的架构革命

突破性技术架构

NextStep-1的核心创新在于其"Transformer大脑+流匹配画笔"的独特设计。模型采用140亿参数的因果Transformer作为主干网络，搭配仅157M参数的轻量级流匹配头（Flow Matching Head），实现了纯自回归框架下的连续图像token生成。

如上图所示，该架构包含因果Transformer主干、文本与图像tokenizer、双头输出（LM Head和Flow Matching Head）及流匹配目标优化策略，体现多模态序列建模与连续视觉空间生成的核心设计。这种架构使AI首次具备"逐步创作"特性，每个图像块生成都参考已有内容，如同画家创作时的全局协调。

关键技术突破

这种架构带来三大突破：首先，通过通道归一化技术解决了高维隐空间（16通道）训练不稳定问题，使生成图像无传统自回归模型常见的灰色斑块伪影；其次，创新的随机扰动tokenizer设计虽增加12%生成损失，却意外提升23%图像质量，证明噪声正则化能塑造更鲁棒的潜在分布；最重要的是，分块（patch-by-patch）生成方式使创作过程可解释、可干预。

NextStep-1的另一创新在于其统一序列生成流程，将文本与图像令牌统一为单一序列进行处理。

该架构展示了文本与图像令牌统一序列的生成流程，包含Causal Transformer骨干网络、Flow Matching Head和LM Head等组件及逐块流匹配细节。这一架构设计体现了连续令牌+自回归的创新思路，是NextStep-1实现高精度图像生成的基础。

性能解析：权威基准测试中的表现

在国际权威评测中，NextStep-1展现出全面的性能优势：

• 图像-文本对齐能力：GenEval测试获0.63分（启用思维链技术提升至0.73），超过Emu3（0.311）和Janus-Pro（0.267）等同类自回归模型
• 世界知识整合：WISE基准测试取得0.54分，在处理包含事实性描述的提示时表现接近扩散模型
• 复杂场景生成：DPG-Bench长文本多对象场景测试获85.28分，证明其强大的组合推理能力
• 编辑能力：衍生模型NextStep-1-Edit在GEdit-Bench编辑任务中达到6.58分，可精确执行物体增删、背景修改等精细化操作

特别值得注意的是，研究团队通过对比实验发现，流匹配头尺寸从400万参数增至5280万参数时，图像质量评估指标变化小于3%，证实140亿参数的Transformer主干才是生成逻辑的核心载体，流匹配头仅作为高效采样器存在。

行业影响与应用前景

NextStep-1的技术特性为专业领域带来新可能：

多样化应用场景展示

NextStep-1已在多领域展现应用潜力，包括游戏开发、广告创意、工业设计和虚拟角色创建等。

这张图表展示了NextStep-1模型在高保真图像生成、图像编辑（如添加物体、材质/背景/风格变化）及自由形式操作（如猫的细节调整、人物特征修改）方面的多样化应用示例，直观呈现模型在视觉生成与编辑任务中的能力。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。

具体行业应用

• 游戏开发：利用其分层生成特性设计可编辑场景，开发者可通过控制生成顺序实现复杂游戏场景的精确构建，同时保持全局光照和风格的一致性。

• 广告创意：广告创意行业可利用精确编辑能力实现品牌元素的精准植入。例如，在生成产品广告时，可通过指令精确控制产品位置、角度和周围环境，确保品牌信息的有效传达。

• 工业设计：工业设计领域则受益于其对空间关系的严格把控，生成符合工程规范的产品原型。设计师可通过文本描述直接生成3D概念图，显著缩短从创意到原型的转化周期。

开源生态与开发者支持

团队开源了完整代码与模型权重（仓库地址：https://gitcode.com/StepFun/NextStep-1-Large-Edit），并提供简洁的部署流程，开发者可通过以下5行核心代码即可实现基础生成功能：

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

这种开放策略加速了技术落地，目前已有多家内容平台测试集成该模型的渐进式创作工具。

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，包括流匹配头蒸馏以实现少步生成，以及借鉴LLM领域的推测解码技术加速序列生成。

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。特别是在视频生成方面，自回归的逐帧生成特性与视频的时序特性天然匹配，有望产生更连贯、更可控的视频内容，这将是团队下一步的研发重点。

结论与前瞻

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。建议关注游戏资产生成与场景设计、广告创意自动化与品牌元素植入、工业设计与产品原型制作、虚拟角色与数字人创建等应用方向。

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。"随着中国AI大模型市场规模预计在2025年达到23.7亿元，2030年达到250亿元，NextStep-1开创的技术路径有望在这场快速增长中占据重要地位。

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