导语
【免费下载链接】NextStep-1-Large-Edit项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large-Edit
2025年8月，阶跃星辰（StepFun AI）推出的NextStep-1模型以"连续令牌+自回归"的创新架构，在文本到图像生成领域实现突破，以87.6%的真人偏好率刷新行业纪录，同时将图像生成错误率降低62%，标志着自回归模型正式迈入SOTA行列。
行业现状：图像生成的范式之争
2025年上半年，AI图像生成领域呈现"双轨并行"格局。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。
IDC最新发布的《中国模型即服务(MaaS)及AI大模型解决方案市场追踪，2025H1》报告显示，2025上半年中国 MaaS市场呈现爆发式增长，规模达12.9亿元，同比增长421.2%。AI 大模型解决方案市场同样保持高位增长态势，2025 上半年市场规模达30.7亿元，同比增长122.1%。多模态模型的快速迭代将AI应用从单一文本生成扩展至图像、视频、语音等复合场景，提升了模型的可用性与商业化潜力。
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。
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
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。
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。
该图为NextStep-1的技术架构示意图，展示以因果Transformer为主干，结合文本与图像分词器，通过流匹配头实现连续令牌生成及Patch-Wise流匹配的技术流程。这一架构充分体现了NextStep-1在技术设计上的创新性和先进性，为读者理解模型的工作原理提供了直观的视觉参考。
创新训练策略
NextStep-1创新性地结合离散文本令牌与连续图像令牌的双重预测目标，在1.4亿图文对上训练时，实现文本语义与视觉特征的深度对齐。测试显示，对于"夕阳下波光粼粼的湖面"这类包含复杂光影描述的提示词，NextStep-1的语义还原准确率达到87%，远超传统模型65%的平均水平。
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。当使用提示重写协议时，得分进一步提升到0.79分（思维链技术下为0.83分）。
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，证明了其在实际编辑应用中的强大能力。
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%。
图片以彩色方块形式展示NextStep-1连续令牌技术的四大核心优势：与LLM/Transformer兼容、多模态整合、存储和计算效率提升、语义压缩与丰富性。这些优势解决了传统离散令牌的固有局限，为NextStep-1在保持生成效率的同时提升图像质量奠定了基础。
应用价值：从技术突破到产业落地
NextStep-1的技术特性使其在多个场景展现独特价值：
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%。
精准编辑能力
NextStep-1展现出超越传统图像生成模型的泛化能力。在文本引导的图像编辑任务中，该模型能够精准识别并修改图像中的特定区域，同时保持非编辑区域的视觉一致性。研究团队公布的案例显示，该模型可完成从简单物体替换到复杂场景重构的全范围编辑任务，编辑精度达到专业图像软件水准。
行业影响与挑战
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：
生成过程中不稳定问题：当模型的潜在空间从低维（如4通道）扩展到更高维（如16通道）时，尽管后者能表达更丰富的细节，但也偶发性地出现了一些生成"翻车"情况，如局部噪声、块状伪影、全局噪声和网格状伪影等问题。
顺序解码带来的推理延迟：自回归模型的顺序解码特性是其推理速度的主要瓶颈。研究团队对单个Token在H100 GPU上的延迟进行的理论分析表明，主要瓶颈在于大模型骨干网络的顺序解码，流匹配头的多步采样过程也构成了不可忽视的开销。
高分辨率生成的挑战：在扩展到高分辨率图像生成方面，自回归模型的严格顺序生成特性需要更多的训练步数才能收敛。相比之下，扩散模型在每次迭代中并行地优化整张图像，能更直接地利用二维空间归纳偏置。
这些挑战也指明了明确的改进方向：优化流匹配头以实现少步生成、借鉴大语言模型领域的最新进展加速自回归主干、以及开发适用于高分辨率生成的新技术等。
结论：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。StepFun AI已开放模型推理代码与训练框架，通过提供"文本编码器-连续令牌生成器-图像解码器"的全栈工具链，降低了连续令牌技术的应用门槛。社区反馈显示，已有100+研究团队基于该框架开发多模态扩展模型，加速了技术落地进程。
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。"
项目地址：https://gitcode.com/StepFun/NextStep-1-Large-Edit
【免费下载链接】NextStep-1-Large-Edit项目地址: https://ai.gitcode.com/StepFun/NextStep-1-Large-Edit
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
