当前主流的文本到图像生成自回归（AR）模型，要么依赖于计算开销巨大的扩散模型来处理连续的图像标记，要么采用向量量化（VQ）方法获取离散标记，但会引入量化误差。本文提出NextStep-1，一种基于140亿参数的自回归模型，搭配1.57亿参数的流匹配（flow matching）头，通过在离散文本标记与连续图像标记上联合训练，并采用下一标记预测目标，进一步推动了自回归范式的进展。NextStep-1在文本到图像生成任务中达到了自回归模型的最先进性能，展现出卓越的高保真图像生成能力。此外，我们的方法在图像编辑任务中也表现出色，充分体现了该统一框架的强大性能与广泛适用性。为促进开放研究，我们将向社区公开发布相关代码与模型。