NextStep-1: Rumo à Geração Autoregressiva de Imagens com Tokens Contínuos em Escala
NextStep-1: Toward Autoregressive Image Generation with Continuous Tokens at Scale
August 14, 2025
Autores: NextStep Team, Chunrui Han, Guopeng Li, Jingwei Wu, Quan Sun, Yan Cai, Yuang Peng, Zheng Ge, Deyu Zhou, Haomiao Tang, Hongyu Zhou, Kenkun Liu, Ailin Huang, Bin Wang, Changxin Miao, Deshan Sun, En Yu, Fukun Yin, Gang Yu, Hao Nie, Haoran Lv, Hanpeng Hu, Jia Wang, Jian Zhou, Jianjian Sun, Kaijun Tan, Kang An, Kangheng Lin, Liang Zhao, Mei Chen, Peng Xing, Rui Wang, Shiyu Liu, Shutao Xia, Tianhao You, Wei Ji, Xianfang Zeng, Xin Han, Xuelin Zhang, Yana Wei, Yanming Xu, Yimin Jiang, Yingming Wang, Yu Zhou, Yucheng Han, Ziyang Meng, Binxing Jiao, Daxin Jiang, Xiangyu Zhang, Yibo Zhu
cs.AI
Resumo
Os modelos autoregressivos (AR) predominantes para geração de texto para imagem dependem de modelos de difusão computacionalmente intensivos para processar tokens de imagem contínuos ou empregam quantização vetorial (VQ) para obter tokens discretos com perda de quantização. Neste artigo, avançamos o paradigma autoregressivo com o NextStep-1, um modelo autoregressivo de 14B combinado com um cabeçalho de correspondência de fluxo de 157M, treinado em tokens de texto discretos e tokens de imagem contínuos com objetivos de previsão do próximo token. O NextStep-1 alcança desempenho de ponta para modelos autoregressivos em tarefas de geração de texto para imagem, demonstrando capacidades robustas na síntese de imagens de alta fidelidade. Além disso, nosso método apresenta forte desempenho em edição de imagens, destacando o poder e a versatilidade de nossa abordagem unificada. Para promover a pesquisa aberta, disponibilizaremos nosso código e modelos para a comunidade.
English
Prevailing autoregressive (AR) models for text-to-image generation either
rely on heavy, computationally-intensive diffusion models to process continuous
image tokens, or employ vector quantization (VQ) to obtain discrete tokens with
quantization loss. In this paper, we push the autoregressive paradigm forward
with NextStep-1, a 14B autoregressive model paired with a 157M flow matching
head, training on discrete text tokens and continuous image tokens with
next-token prediction objectives. NextStep-1 achieves state-of-the-art
performance for autoregressive models in text-to-image generation tasks,
exhibiting strong capabilities in high-fidelity image synthesis. Furthermore,
our method shows strong performance in image editing, highlighting the power
and versatility of our unified approach. To facilitate open research, we will
release our code and models to the community.