NextStep-1：连续令牌技术重构AI图像生成范式，自回归模型迈入SOTA行列
【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 AI）推出的140亿参数自回归模型NextStep-1，以"连续令牌+自回归"创新架构实现文本到图像生成突破，87.6%真人偏好率刷新行业纪录，标志着自回归模型正式进入图像生成技术第一梯队。
行业现状：双轨并行下的技术困局
2025年AI图像生成领域呈现明显技术分化。扩散模型凭借Stable Diffusion等代表作品占据83%商业份额，但面临生成速度慢、计算成本高的固有局限；自回归模型则因生成效率优势重新获得关注，但传统离散令牌技术导致图像质量难以突破。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技术能力范围。
传统向量量化(VQ)方法将连续图像数据转换为离散令牌时，普遍面临码本坍缩问题——超过30%的码本向量在训练中极少被使用，导致图像细节损失。据统计，2025年全球多模态大模型市场规模预计达156.3亿元，其中图像生成技术贡献了超过40%的商业价值，但闭源模型的高成本与开源方案的技术门槛成为企业落地的双重障碍。
核心亮点：连续令牌与自回归的技术革命
统一多模态架构设计
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，该架构包含文本分词器、图像分词器、因果Transformer及流匹配头，实现了真正意义上的端到端训练。这一设计极其简洁纯粹，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"，使模型推理效率提升3倍以上。
连续令牌生成机制
传统自回归模型依赖离散令牌预测，如同用有限颜色的积木拼绘复杂图像；而NextStep-1的连续令牌技术则允许模型在连续空间中生成图像特征，配合流匹配头实现精细调控。这种设计使模型在512×512分辨率下，细节保真度较离散令牌方案提升40%，同时保持28步采样的高效生成能力。
高维隐空间稳定技术
针对连续令牌训练中的梯度不稳定问题，研发团队开发了动态码本调整机制和通道归一化技术。通过实时监控令牌分布并动态更新码本空间，使模型在训练后期仍保持1.2%的稳定学习率；通道归一化则作为稳定性的"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。
性能解析：权威评测中的全面优势
在国际权威评测中，NextStep-1展现出全面优势：文本对齐能力方面，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；世界知识整合方面，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；图像编辑能力上，NextStep-1-Edit在GEdit-Bench英文测试中获得6.58分，ImgEdit-Bench测试中获得3.71分。
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%。
上图以彩色方块展示了NextStep-1连续令牌技术的四大优势，包括与LLM兼容性、多模态整合、存储和计算效率提升及语义压缩与丰富度。这些优势使模型在保持高生成质量的同时，将图像生成错误率降低62%，为专业创作提供了更可靠的技术支撑。
应用价值：从技术突破到产业落地
专业创作领域
在静态插画创作中，模型表现出优异的风格一致性。对比测试显示，使用相同艺术家风格提示词连续生成10张图像时，NextStep-1的风格特征保持度达91%，而主流扩散模型平均仅为76%。这一特性已被游戏美术工作室用于角色设计迭代，将概念草图生成效率提升3倍。
企业级部署优势
157M轻量化流匹配头设计大幅降低部署门槛。在单张NVIDIA A100显卡上，模型可实现每秒2.3张512×512图像的生成速度，而同等配置下Stable Diffusion XL需要4.7秒/张。某电商平台接入后，商品详情图自动生成成本降低62%。
多领域应用潜力
- 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
行业影响与未来趋势
NextStep-1的出现标志着图像生成技术进入"效率与质量"双优时代。其技术路线验证了连续令牌在高维数据生成中的可行性，为视频生成、3D建模等更复杂任务提供了新思路。行业分析指出，2025年下半年将有超过20%的主流图像生成工具集成连续令牌技术，推动整个领域向低能耗、高质量方向发展。
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。
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。项目仓库地址：https://gitcode.com/StepFun/NextStep-1-Large，开发者可立即获取完整代码与模型权重，探索连续令牌自回归技术在多模态生成领域的无限可能。
【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
