NextStep-1：连续令牌技术重构AI图像生成范式

NextStep-1：连续令牌技术重构AI图像生成范式

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

导语：140亿参数自回归模型改写图像生成规则

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80%以上市场份额，但其"全图同时优化"的特性导致生成过程难以精细控制；而传统自回归模型受限于离散令牌技术，图像质量始终落后主流扩散模型约30%。

行业调研显示，76%专业用户每月尝试3种以上生成工具，在效率与质量间反复权衡。传统向量量化（VQ）技术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。NextStep-1提出的连续令牌架构，正是针对这一行业痛点的突破性解决方案。

核心亮点：连续令牌如何重塑生成逻辑

1. 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。

如上图所示，这组多类型图像生成成果展示了NextStep-1在人物、动物、场景、创意设计等方面的生成能力，中间带有"NextStep1"文字的图像突出模型名称，整体体现了该模型在不同领域的高质量图像生成表现。

2. 混合目标训练策略

模型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。

3. 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。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，最终实现FID分数2.89的生成质量，达到自回归模型当前最佳水平。

该图以四个彩色方块形式展示了NextStep-1的四大技术优势，包括与LLMs的兼容性、多模态整合、存储计算效率提升及语义压缩与丰富性。这些优势共同构成了NextStep-1在图像生成领域的核心竞争力。

技术解析：从架构创新到性能突破

NextStep-1采用14B参数自回归主体模型与157M流匹配头的创新架构，通过以下技术路径实现突破：

• 文本令牌器：将输入文本转换为离散令牌
• 图像令牌器：基于改进的Flux VAE，将图像编码为16通道的连续潜在表示
• 因果变换器：采用Qwen2.5-14B作为基础模型，处理混合的文本和图像令牌序列
• 流匹配头：12层、1536隐藏维度的MLP，用于预测连续图像令牌的流匹配损失

这张技术流程图展示了多模态输入数据经编码器、码本量化、解码器重建的完整流程，特别值得注意的是反向传播过程中采用的STE和Gumbel-Softmax技术，有效解决了连续令牌训练的梯度不稳定问题，这也是模型能够保持高质量生成的关键技术保障。

行业影响与应用价值

1. 专业创作领域的风格一致性突破

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。

2. 企业级部署的效率优势

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%。

3. 多模态扩展潜力

统一处理文本/图像令牌的框架可无缝扩展至视频、3D等领域。研究团队已基于NextStep-1开发视频生成原型系统，在16帧短视频生成任务中，时间一致性指标较Sora提升18%。

挑战与未来方向

尽管表现突出，NextStep-1仍面临三大核心挑战：高分辨率生成时的顺序解码瓶颈、16通道等高维隐空间偶发的生成不稳定问题，以及流匹配头的多步采样开销。团队表示将通过优化流匹配头实现少步生成、借鉴LLM领域推测解码技术加速自回归主干等方向持续改进。

随着技术迭代，NextStep-1展现的连续令牌路径预示着AI图像生成正从"离散拼贴"迈向"连续创作"的新范式。对于企业用户，现在正是评估这一技术优化创作流程的关键窗口期；开发者可通过项目地址https://gitcode.com/StepFun/NextStep-1-Large获取开源工具链，探索连续令牌在更多模态生成任务中的应用可能。

总结：自回归范式的逆袭

NextStep-1通过140亿参数自回归主体与157M流匹配头的创新架构，验证了连续令牌技术在图像生成任务中的可行性。其FID分数2.89的生成质量、每秒2.3张的生成速度，以及91%的风格一致性指标，共同构成了对扩散模型的差异化竞争优势。

随着动态码本学习、跨模态令牌对齐等技术的持续优化，我们有理由期待，AI生成内容将在可控性、效率与创意表达上达到新高度。NextStep-1不仅为行业提供了新的技术选择，更揭示了多模态生成的发展方向——像人类一样"逐步思考、层层完善"的生成逻辑，可能正是AI创造力突破的关键所在。

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