テキストから画像生成を行うための主流の自己回帰（AR）モデルは、連続的な画像トークンを処理する際に計算負荷が非常に高い拡散モデルに依存しているものや、ベクトル量子化（VQ）を用いて離散的なトークンを取得するが、量子化誤差が生じるという課題を抱えている。本研究では、次世代の自己回帰アーキテクチャとして、140億パラメータの自己回帰モデルNextStep-1を提案する。このモデルは、1億5700万パラメータのフローマッチングヘッドと組み合わせられ、離散的なテキストトークンと連続的な画像トークンを用いて、次のトークン予測の目的関数に基づいて学習を行う。NextStep-1は、自己回帰モデルにおけるテキストから画像生成タスクにおいて、最先端の性能を達成しており、高忠実度の画像生成能力を示している。さらに、本手法は画像編集タスクにおいても優れた性能を発揮し、統一的なアプローチの強力さと汎用性を示している。オープンな研究を促進するため、本研究のコードおよびモデルをコミュニティに公開する予定である。