自回歸模型，是 AIGC 領域一塊迷人的基石。開發者們一直在探索它在視覺生成領域的邊界，從經典的離散序列生成，到結合強大擴散模型的混合范式，每一步都凝聚了社區的智慧。

這些工作，比如 MAR、Fluid、LatentLM 等，為我們帶來了巨大的啟發，也讓我們看到了進一步優化的空間：比如，如何避免離散化帶來的信息損失？如何讓模型的架構更輕盈、更強大？

帶著這些問題，階躍星辰團隊進行了新的嘗試，并分享了階段性成果：NextStep-1。

階躍星辰的初衷是探索一條新的自回歸圖像生成的路徑。NextStep-1 的核心思想是直接在連續的視覺空間中，以自回歸方式進行生成。

為實現這一點，團隊采用了一個輕量的「流匹配頭」（Flow Matching Head）。它讓模型能夠：

• 學會在連續的視覺空間中直接生成單個圖像 Patch，從根本上繞開了作為信息瓶頸的離散化步驟。
• 模型以自回歸的方式，逐一生成所有 patches，最終完成一幅完整的圖像。

這一設計帶來了另一個顯著優勢：架構的簡潔與純粹。由于不再需要外部大型擴散模型的 「輔助」，NextStep-1 的整體架構變得高度統一，實現了真正意義上的端到端訓練。

階躍星辰團隊認為，NextStep-1 的探索指向了一個有趣且充滿潛力的方向。它證明了在不犧牲連續性的前提下，構建一個簡潔、高效的自回歸模型是完全可行的。

這只是探索的第一步。階躍星辰選擇將 NextStep-1 開源，衷心期待它能引發更多有價值的討論，并希望能與社區的研究者一起，繼續推動生成技術的演進。

• 論文鏈接：https://arxiv.org/abs/2508.10711
• GitHub 鏈接：https://github.com/stepfun-ai/NextStep-1
• Hugging Face 模型：https://huggingface.co/collections/stepfun-ai/nextstep-1-689d80238a01322b93b8a3dc

動因探究：背后的技術支撐

整體架構

NextStep-1 的架構如圖 1 所示，其核心是一個強大的 Transformer 骨干網絡（14B 參數），輔以一個輕量級的流匹配頭（Flow Matching Head，157M 參數），用于直接生成連續的圖像 Patch。

圖 1 NextStep-1 的架構圖

這一結構極其簡潔、純粹，它帶來了兩大解放：

• 解放了對離散化的依賴：不再需要圖像 Tokenizer 進行離散化，直接在連續空間操作。
• 解放了對外部擴散模型的依賴：不再需要外接大型擴散模型作為 「解碼器」，實現了端到端的自回歸訓練。

核心發現

在探索 NextStep-1 的過程中，階躍星辰團隊獲得了兩個關鍵發現，它們不僅解釋了模型為何高效，也為未來的研究提供了新的思路。

發現一：真正的「藝術家」 是 Transformer

在階躍星辰的框架中，Transformer 是 「主創」，流匹配頭更像是「畫筆」。團隊通過實驗發現，流匹配頭的尺寸大?。?157M -> 528M），對最終圖像質量影響很小。這有力地證明了，核心的生成建模與邏輯推理等 「重活」，完全由 Transformer 承擔。流匹配頭則作為一個高效輕量的采樣器，忠實地將 Transformer 的潛在預測 「翻譯」 成圖像 Patch。

發現二：Tokenizer 的「煉金術」—— 穩定與質量的關鍵

在連續視覺 Token 上的操作帶來了獨特的穩定性挑戰，團隊發現兩個關鍵 「煉金術」：

• 通道歸一化 （Channel-Wise Normalization） 是穩定性的「壓艙石」：通過引入簡單的通道歸一化，極其有效地穩定了 Token 的統計特性，即使在高 CFG 指導強度下，也能確保生成清晰、無偽影的圖像。
• 「更多噪聲」 竟能帶來「更好質量」：一個反直覺的發現是，訓練 Tokenizer 時加入更多噪聲正則化，反而能顯著提升最終生成圖像的質量。階躍星辰團隊推斷，這有助于塑造一個更魯棒、分布更均勻的潛在空間，為自回歸主模型提供更理想的工作平臺。

眼見為實：高保真的視覺生成和編輯能力

NextStep-1 實現了高保真的文生圖的生成，同時具有強大的圖像編輯能力，覆蓋多種編輯操作（如物體增刪、背景修改、動作修改、風格遷移等），并能理解用戶的日常語言指令，實現形式自由的圖像編輯。

圖 2 展示 NextStep-1 全面的圖像生成和編輯能力

硬核實力：權威 Benchmark 下的表現

除了直觀的視覺效果，階躍星辰團隊也在多個行業公認的 Benchmark 上對 NextStep-1 進行了嚴格的評估。結果表明：

• 綜合性能在自回歸模型中達到了新的 SOTA（State-of-the-Art）水平
• 在多個 benchmark 上已能與頂尖的擴散模型（Diffusion Models）直接競爭

表 1 NextStep-1 在 GenEval、GenAI-Bench 和 DPG-Bench 上的性能

表 2 NextStep-1 在 OneIG 上的性能

表 3 NextStep-1 在 WISE 上的性能

表 4 NextStep-1 在 GEdit-Bench 和 ImgEdit-Bench 上的性能

局限性與未來展望

NextStep-1 是階躍星辰團隊對構建簡潔的高保真生成模型的一次真誠探索。它證明了，在不犧牲連續性的前提下，構建一個純粹的端到端自回歸模型是完全可行的。階躍星辰相信，這條 「簡潔」 的道路，為多模態生成領域提供了有價值的新視角。

階躍星辰團隊深知這只是探索的開始，前路依然廣闊。作為一個對新范式的初步探索，NextStep-1 在展現出巨大潛力的同時，也讓團隊識別出了一些亟待解決的挑戰。我們在此坦誠地列出這些觀察，并視其為未來工作的重要方向。

生成過程中不穩定

NextStep-1 成功證明了自回歸模型可以在高維連續潛在空間中運行，并達到媲美擴散模型的生成質量，但這條路徑也帶來了獨特的穩定性挑戰。觀察到，當模型的潛在空間從低維（如 4 通道）擴展到更高維（如 16 通道）時，盡管后者能表達更豐富的細節，但也偶發性地出現了一些生成 「翻車」的情況（如圖 3 所示）。

圖 3 失敗的例子，展示圖像生成過程中一些暴露出的問題

雖然其根本原因仍有待進一步探究，但團隊推測可能存在以下因素：

• 局部噪聲 / 塊狀偽影： 可能源于生成后期出現的數值不穩定性。
• 全局噪聲： 可能反映了模型尚未完全收斂，需要更多的訓練來優化。
• 網格狀偽影： 可能揭示了當前一維位置編碼在精確捕捉二維空間關系上的局限性。

順序解碼帶來的推理延遲

自回歸模型的順序解碼特性，是其推理速度的主要瓶頸。研究團隊對單個 Token 在 H100 GPU 上的延遲進行了理論分析（如表 5 所示），結果表明：

• 主要瓶頸在于大模型（LLM）骨干網絡的順序解碼
• 流匹配頭（Flow Matching Head）的多步采樣過程也構成了不可忽視的開銷

表 5 H100 上生成每個 token 的理論延遲速度 ( batch size 為 1 )

這一觀察指明了兩個明確的加速方向：

• 優化流匹配頭：通過減小其參數量、應用模型蒸餾以實現少步生成，或采用更先進的少步采樣器。
• 加速自回歸主干：借鑒大語言模型領域的最新進展，如將多 Token 預測等技術，適配到圖像 Token 的生成中。

高分辨率生成的挑戰

在擴展到高分辨率圖像生成方面，與技術生態已相當成熟的擴散模型相比，階躍星辰團隊的框架面臨兩大挑戰：

• 收斂效率：自回歸模型的嚴格順序生成特性，在更高分辨率下需要更多的訓練步數才能收斂。相比之下，擴散模型在每次迭代中并行地優化整張圖像，能更直接地利用二維空間歸納偏置。
• 技術遷移難度：為高分辨率擴散模型開發的先進技術（如 timestep shift）難以直接遷移。其根本原因在于，流匹配頭主要扮演一個輕量級采樣器的角色，而核心的生成建模由 Transformer 骨干網絡完成，因此單純修改采樣過程對最終輸出的影響有限。

因此，基于 patch-wise 的圖像自回歸模型的高分辨率生成是一個重要探索方向。

監督微調（SFT）的獨特挑戰

團隊觀察到，當使用小規模、高質量的數據集進行微調時，訓練動態會變得極不穩定。

擴散模型通常僅需數千個樣本，就能穩定地適應目標數據分布，同時保持良好的泛化生成能力。相比之下，階躍星辰的 SFT 過程：

• 依賴大規模數據：只有在百萬樣本規模的數據集上訓練時，才能觀察到顯著且穩定的提升。
• 在小數據集上表現脆弱：當使用小規模數據集時，模型會陷入一種 「岌岌可?！?nbsp;的平衡狀態。它要么收效甚微，幾乎沒有變化；要么突然 「崩潰」，完全過擬合到目標數據分布上，喪失了原有的泛化能力。

因此，如何在一個小規模數據集上，找到一個既能對齊目標風格、又能保留通用生成能力的 「甜蜜點」（sweet spot）檢查點，對階躍星辰團隊而言仍然是一個重大的挑戰。

階躍星辰團隊相信，坦誠地面對這些挑戰，是推動領域前進的第一步。

NextStep-1 的開源是團隊為此付出的努力，也希望能成為社區進一步研究的基石。階躍星辰團隊期待與全球的研究者和開發者交流與合作，共同推動自回歸生成技術向前發展。