阶跃Step Edge端侧模型全家桶深度解析

2026年7月12日，阶跃星辰正式发布Step Edge端侧模型全家桶。这套包含Step Edge基础模型、Step Edge Audio、Step Edge GUI和Step Edge Gen四款产品的终端AI模型家族，以低至0.1秒的本地toolcall执行延迟、全模态本地隐私保护与原生端云协同架构三大核心能力，在29项核心评测指标中斩获第一。Step Edge端侧模型全家桶的推出，标志着AI Agent从云端推理向终端本地执行迈出关键一步。

一、Step Edge端侧模型全家桶概述

Step Edge是阶跃星辰面向手机、汽车等终端场景打造的端侧模型家族。长期以来，AI大模型主要部署于云端数据中心，用户每一次交互都需要经历数据上传、云端推理、结果返回的完整链路。这一模式在网络良好时尚可接受，但在弱网、无网或高隐私要求的场景下，云端推理的局限性便暴露无遗。

Step Edge端侧模型全家桶的推出，正是对这一痛点的系统性回应。它将AI的推理能力从云端下沉到终端设备本地，让手机、汽车等终端设备具备在本地独立完成AI推理的能力。阶跃星辰给Step Edge的整体设计取名为“1加N”架构——其中“1”是Step Edge基础模型，承担文本与视觉理解的核心任务；“N”是Step Edge Audio、Step Edge GUI、Step Edge Gen三个多模态专项模型。整套架构面向手机和车机两类硬件设计，覆盖了终端Agent所需要面对的主要任务：理解用户表达、感知当前环境、看懂设备界面、完成操作或生成内容。

1.1 端侧模型的战略意义

端侧模型的价值可以归纳为三个核心维度：实时本地响应、数据隐私保护、推理成本优化。模型从云端搬到本地后，响应不再依赖网络往返延迟，数据不出设备，弱网环境下AI助理不会卡顿，敏感照片和语音不需要上传云端，频繁调用的简单任务也不再消耗云端计算资源。这一转变不仅是技术架构的调整，更是AI产品形态的根本性重构——AI Agent第一次真正具备了“进入终端”的能力。

二、Step Edge基础模型：端侧多模态理解的基石

Step Edge基础模型是整个端侧模型全家桶的核心底座，承担文本与视觉融合理解的关键任务。作为“1加N”架构中的“1”，它覆盖了图像理解、GUI定位、工具调用、空间推理、视频理解等端侧最常用的能力。

2.1 核心能力与适用场景

Step Edge基础模型可以理解屏幕内容、定位用户界面元素、提取文本和视觉信息、进行空间推理，并在本地执行多轮工具调用。这些能力直接服务于端侧助理、车载交互和本地自动化等高频场景，尤其适合在低延迟、隐私敏感或弱网条件下使用。

2.2 基准测试表现

阶跃星辰在内部平台对Step Edge基础模型与五个同体量开源模型进行了横向对比，包括Qwen3-VL-4B-Instruct、Qwen3-VL-4B-Thinking、MiniCPM-V-4.6、Gemma4-E4B-it和LFM2.5-VL-1.6B。测试覆盖了图像理解、GUI Grounding、OCR、模糊理解、空间理解、工具调用、App Agent等16项指标。

在综合平均分方面，Step Edge基础模型以62.92分位列对比组第一。具体来看，在GUI Grounding、工具调用、App Agent、空间理解、视频理解等与终端Agent执行密切相关的指标上，Step Edge基础模型均大幅领先竞品。在OCR任务中，Step Edge基础模型取得81.50分，优于Qwen3-VL-4B-Instruct的87.30分（注：该单项略低于Qwen3-VL-4B-Instruct）；在工具调用TAU2_BENCH评测中，Step Edge基础模型取得58.59分，大幅领先Qwen3-VL-4B-Instruct的3.07分和MiniCPM-V-4.6的58.33分；在App Agent的AppWorld评测中，Step Edge基础模型取得21.43分，远超Qwen3-VL-4B-Instruct的8.33分和MiniCPM-V-4.6的15.48分。

2.3 技术特点

Step Edge基础模型针对终端场景进行了专项优化，在保持较小模型体量的同时，实现了对多模态输入的高效处理。模型能够配套Step Inference NPU引擎，在文本、视觉、语音等多种输入形态下进一步降低端到端延迟。这种“小体量、高能力”的设计思路，使得Step Edge基础模型能够在手机、车机等计算资源受限的终端设备上流畅运行。

三、Step Edge Audio：端侧语音交互的突破

Step Edge Audio是Step Edge端侧模型全家桶中专攻语音与音频交互的专项模型。它覆盖了语音识别与音频理解两大核心方向，在12项音频理解评测中平均分位列对比组第一。

3.1 语音识别能力

在语音识别领域，Step Edge Audio在中文CER（字符错误率）与英文WER（词错误率）上取得了最低平均错误率。其中中文CER平均为3.004，英文WER平均为3.584，均优于Gemma-4-E4B-it和Gemma-4-12B-it等竞品。这一表现意味着Step Edge Audio在端侧就能实现接近专业级语音识别服务的准确率，而无需将语音数据上传云端处理。

3.2 音频理解能力

除语音识别外，Step Edge Audio还具备音频理解能力，能够理解语音指令中的语义和意图。在MMSU、MMAR、WildSpeech等音频理解基准上，Step Edge Audio全面超过了同尺寸的MiniCPM-o-4.5和更大尺寸的Gemma-4-12B。这一能力使得Step Edge Audio不仅能够“听清”用户在说什么，还能“听懂”用户想要什么，为车载语音交互、实时翻译、语音助手等场景提供了完整的技术支撑。

3.3 车载场景的独特价值

在汽车智能座舱场景中，Step Edge Audio的价值尤为突出。车载环境对语音交互的实时性和隐私保护有着极高要求——驾驶过程中的语音指令需要毫秒级响应，车内对话涉及大量个人隐私数据不便上传云端。Step Edge Audio在端侧完成语音识别与音频理解的全流程处理，既保障了驾驶安全所需的低延迟，又确保了车内数据的隐私安全。

四、Step Edge GUI：屏幕理解与自动化操作的核心

Step Edge GUI是Step Edge端侧模型全家桶中专攻屏幕理解和界面操作的专项模型。它赋予AI Agent“看懂屏幕”和“操作界面”的能力，是终端Agent从“被动回答”走向“主动操作”的关键基建。

4.1 GUI理解与操作能力

Step Edge GUI支持手机与桌面应用的视觉感知、元素定位与自动化操作。通过视觉理解、步骤推理和动作执行等闭环能力，模型能够像人类一样在各种图形用户界面上完成连续多步骤任务。这意味着AI Agent不再局限于对话框内的文字交流，而是能够直接“看到”用户设备上的界面内容，理解每个按钮、输入框、菜单项的功能和位置，并自动执行点击、输入、滑动等操作。

4.2 OSWorld评测表现

在侧重桌面与操作系统GUI任务的OSWorld评测中，Step Edge GUI取得了对比组第一的成绩。Step Edge GUI在OSWorld_0指标上取得64.71分，超过Qwen3-VL-4B-Instruct的63.53分、MiniCPM-V-4.6的31.96分和Gemma4-E4B-it的45.29分。在SCREENSPOT_PRO指标上，Step Edge GUI取得51.42分；在SCREENSPOT_V2指标上取得93.08分，远超Qwen3-VL-4B-Instruct的89.39分和MiniCPM-V-4.6的64.15分。

4.3 应用场景与价值

Step Edge GUI的能力为终端自动化打开了广阔的空间。在智能手机场景中，AI助理可以在端侧完成订外卖、发消息、查相册等高频任务的GUI自动化操作。用户只需用自然语言说出需求，Step Edge GUI就能理解意图、定位界面元素、执行操作步骤，整个过程在本地完成，无需上传任何屏幕截图或操作数据。在车载场景中，Step Edge GUI可以理解车载屏幕上的导航、空调、娱乐等界面，通过语音指令实现零延迟的界面控制。

五、Step Edge Gen：端侧图像生成与编辑的创新

Step Edge Gen是Step Edge端侧模型全家桶中专攻图像生成与编辑的专项模型。它将高质量的文生图和图像编辑能力带到端侧，让用户无需上传照片至云端即可在手机本地完成图像创作与修图。

5.1 图像生成能力

Step Edge Gen支持文生图、图生图及局部编辑等多种图像生成任务。在OneIG、DPG-Bench等图像生成评测中表现领先。在W8A16（8位权重、16位激活量化）配置下，Step Edge Gen的文生图速度约为3秒、图像编辑速度约为4.5秒。端到端延迟和预填充吞吐量对比同体量开源模型普遍领先1.47倍到5.29倍。

5.2 隐私保护的价值

Step Edge Gen最显著的价值在于隐私保护。传统的云端图像生成服务要求用户将照片上传至服务器进行处理，涉及大量个人隐私数据——人像照片、家庭场景、个人证件等敏感内容一旦上传云端便存在数据泄露的风险。Step Edge Gen在端侧完成全部图像处理流程，用户的原始照片始终保留在本地设备中，从根本上杜绝了数据上传带来的隐私隐患。

5.3 即时创作的体验

端侧图像生成还带来了“即时创作”的全新体验。用户无需等待云端排队、无需担心网络波动，在弱网甚至无网环境下也能随时进行图像生成与编辑。这种“即拍即改、即说即得”的创作体验，让AI图像生成从“云端服务”变成了“本地能力”。

六、Step Inference NPU引擎：端侧推理的加速器

Step Inference NPU引擎是阶跃星辰自研的终端推理优化引擎。它针对手机、汽车等终端硬件进行算子与内存优化，在文本、视觉、语音等多种输入形态下进一步降低端到端延迟。

6.1 硬件适配与优化

Step Inference NPU引擎的核心价值在于“原生适配”——它不是通用的推理框架，而是针对终端硬件的具体架构进行深度定制。通过算子级别的优化和内存访问模式的调整，Step Inference NPU引擎能够充分释放终端NPU（神经网络处理单元）的计算潜力，让Step Edge端侧模型全家桶在有限的终端算力下实现接近云端级别的推理效率。

6.2 延迟优化成果

在Step Inference NPU引擎的加持下，Step Edge端侧模型全家桶实现了低至0.1秒的本地toolcall执行延迟。这一延迟水平意味着用户在与终端AI交互时几乎感受不到等待——语音指令发出后100毫秒内即可得到响应，屏幕操作指令在本地实时执行。对于车载场景而言，这一延迟水平直接关系到驾驶安全；对于手机场景而言，它决定了AI助理是否真正“好用”。

七、端云协同：Step Edge的架构灵魂

端云协同是Step Edge端侧模型全家桶最核心的架构设计理念。Step Edge并非要将所有AI任务都锁定在端侧——事实上，端侧设备的计算能力和模型规模始终有限。Step Edge的智慧在于“智能分工”：简单任务、弱网或无网任务由端侧快速响应，复杂推理与长链路任务交由云端完成。

7.1 任务智能分发机制

Step Edge端侧模型全家桶内置了任务智能分发机制。当用户发起一个请求时，系统会首先判断任务的复杂度和对云端资源的依赖程度。高频、简单、对隐私敏感的任务——如语音唤醒、基础问答、界面操作、简单图像编辑——由端侧模型在本地直接完成。需要大规模知识检索、复杂逻辑推理、长文本生成的任务——如深度研究、复杂数学问题、长链路多步骤任务——则由端侧模型将请求转发至云端大模型处理。

7.2 速度、能力与成本的平衡

端云协同架构实现了速度、能力与成本三者的整体平衡。单纯依赖云端推理，速度受限于网络延迟、云端算力成本高昂；单纯依赖端侧推理，能力受限于终端算力和模型规模。Step Edge端侧模型全家桶通过端云协同，让80%的简单高频任务在端侧以零延迟、零成本的方式完成，让20%的复杂任务在云端以最强算力完成。这种“端侧兜底、云端增强”的模式，既保障了用户体验的流畅性，又控制了整体运营成本。

7.3 “Pro+Flash+Edge”矩阵成型

Step Edge的发布标志着阶跃星辰“Pro+Flash+Edge”端云协同矩阵正式成型。Pro系列面向最强云端推理、Flash系列面向高效云端推理、Edge系列面向端侧本地执行。三个系列各司其职、协同配合，构成了覆盖从云端到终端的完整AI能力矩阵。

八、横向对比：Step Edge vs 主流端侧模型

Step Edge端侧模型全家桶在29项核心评测指标中斩获第一。以下从多个维度对Step Edge与主流端侧模型进行横向对比：

从对比中可以清晰地看到，Step Edge端侧模型全家桶并非单一模型的竞争，而是一整套覆盖文本视觉、音频语音、GUI操作、图像生成四大领域的端侧解决方案。这种“全家桶”式的产品形态，使其在终端Agent所需的各项能力上都能提供专项优化的模型支持，而非用一个通用模型去勉强应对所有场景。

九、应用场景与落地展望

Step Edge端侧模型全家桶的四大模型覆盖了终端Agent所需的主要能力维度，其应用场景广泛而深入。

9.1 智能手机助手

在智能手机场景中，Step Edge端侧模型全家桶可以实现端侧实时语音识别与GUI自动化操作。用户可以用自然语言指挥手机完成订外卖、发消息、查相册等高频任务。所有语音数据和屏幕信息在本地处理，无需上传云端，既保护了个人隐私，又实现了毫秒级的响应速度。

9.2 车载智能座舱

在汽车智能座舱场景中，Step Edge端侧模型全家桶可以在本地处理语音指令与车内视觉感知。驾驶过程中的导航设置、空调调节、娱乐控制等操作均可通过语音完成，保障驾驶数据隐私的同时实现零延迟控制。车载环境对稳定性的要求极高——隧道、地下车库等弱网场景下，Step Edge的端侧执行能力确保了AI交互不中断。

9.3 端侧图像创作

在图像创作场景中，Step Edge Gen让用户在手机本地完成文生图与修图。无需将照片上传至云端，即可实现AI辅助的图像编辑和创意生成。这对于涉及人像、家庭、证件等敏感内容的图像处理场景具有重要价值。

9.4 工业与IoT边缘设备

在工业终端巡检和IoT边缘设备场景中，Step Edge端侧模型全家桶可以在弱网工厂或户外场景下本地识别设备故障图像与音频异常。智能家居、穿戴设备中也可部署Step Edge模型，在本地完成语音唤醒、视觉识别与简单决策。

十、行业影响与未来展望

Step Edge端侧模型全家桶的发布，标志着AI行业从“云端优先”向“端云协同”的重要转型。2026年全球边缘AI市场规模已达250至470亿美元量级，并以20%至32%的年复合增长率持续扩张。Step Edge端侧模型全家桶正是在这一产业背景下应运而生的关键产品。

10.1 对终端设备的影响

Step Edge端侧模型全家桶让手机、汽车等终端设备从“被动执行指令的工具”转变为“具备主动智能的伙伴”。设备不再只是云端AI的“显示器”和“麦克风”，而是拥有了自己的“大脑”——能够在本地理解用户意图、感知环境、执行操作。这种转变将重新定义人机交互的体验边界。

10.2 对AI产业的影响

Step Edge端侧模型全家桶展示了端侧AI从“概念”走向“产品”的完整路径。四款模型的分工协作、“1加N”的可扩展架构、端云协同的任务分发机制——这些设计理念为整个行业提供了端侧AI产品化的参考范式。Step Edge证明了端侧模型不是云端模型的“简化版”，而是针对终端场景重新设计的“原生版”。

常见问题（FAQ）

问：Step Edge端侧模型全家桶包含哪几款模型？

Step Edge端侧模型全家桶包含四款产品：Step Edge基础模型（文本与视觉理解）、Step Edge Audio（语音识别与音频理解）、Step Edge GUI（屏幕理解与界面操作）、Step Edge Gen（图像生成与编辑）。

问：Step Edge端侧模型全家桶的本地响应延迟是多少？

Step Edge端侧模型全家桶支持低至0.1秒的端侧本地toolcall执行。文本、视觉、语音等多模态信息均可在本地处理，高频简单任务无需等待云端响应。

问：Step Edge端侧模型全家桶如何在保护隐私的同时保证能力？

Step Edge端侧模型全家桶采用全模态本地处理机制，文本、视觉、语音等敏感数据在终端本地完成处理，不出设备。同时通过端云协同架构，简单任务本地响应、复杂任务云端处理，兼顾隐私保护与推理能力。

问：Step Edge端侧模型全家桶与Qwen3-VL等竞品相比有何优势？

Step Edge端侧模型全家桶在29项核心评测指标中斩获第一。其优势在于“全家桶”式的产品形态——针对GUI操作、音频理解、图像生成等终端场景分别提供专项优化的模型，而非用一个通用模型覆盖所有场景。此外，配套的Step Inference NPU引擎针对终端硬件进行了深度优化。

问：Step Edge端侧模型全家桶可以在哪些设备上运行？

Step Edge端侧模型全家桶专为手机、汽车等终端场景设计。同时也可部署于智能家居、穿戴设备、工业终端等IoT边缘设备。

问：Step Edge端侧模型全家桶的“端云协同”是如何工作的？

Step Edge端侧模型全家桶采用智能任务分发机制：简单任务、弱网或无网任务由端侧模型在本地快速响应；复杂推理与长链路任务则交由云端大模型处理。端侧与云端协同配合，实现速度、能力与成本的整体平衡。