Step Edge是什么

Step Edge是阶跃星辰推出的端侧模型全家桶，包含基础模型、Audio、GUI、Gen 四大成员，面向手机与汽车等终端打造。模型通过端云协同架构，让 Agent 在本地实现 0.1 秒级响应，同时保障全模态数据隐私，在 29 项核心评测中取得第一，并配套自研 Step Inference NPU 引擎优化终端推理。

Step Edge的主要功能

• Step Edge 基础模型：端侧多模态理解与推理，支持文本、图像、视频、OCR、空间理解与工具调用。
• Step Edge Audio：端侧音频理解与语音识别，覆盖中文、英文等多语种 ASR 与音频问答。
• Step Edge GUI：端侧 GUI Agent，支持手机与桌面应用的视觉感知、元素定位与自动化操作。
• Step Edge Gen：端侧图像生成与编辑，支持文生图、图生图及局部编辑，在 OneIG、DPG-Bench 等评测中领先。

Step Edge的技术原理

• 端云协同架构：简单高频任务由端侧本地处理，复杂长链路推理交由云端完成，实现速度、能力与成本的整体平衡。
• 全模态本地推理：文本、视觉、语音等多模态数据在终端本地处理，敏感信息不出端，通过本地计算保障隐私安全。
• Step Inference NPU 引擎：自研终端推理引擎，针对手机、汽车等硬件进行算子与内存优化，降低文本、视觉、语音等输入形态的端到端延迟。
• 低延迟 Toolcall 执行：端侧本地工具调用延迟低至 0.1 秒，支持高频交互场景下的实时响应，减少对云端链路的依赖。

如何使用Step Edge

Step Edge 全家桶尚未明确开放公测或 API，目前处于发布亮相阶段。

Step Edge的项目地址

• 项目官网：https://static.stepfun.com/blog/step-edge/

Step Edge的同类竞品对比

对比维度Step EdgeQwen3-VL产品形态端侧模型全家桶（基础+Audio+GUI+Gen）开源多模态大模型系列端侧优化专为终端场景深度优化，配套自研 NPU 引擎支持端侧部署，但主要面向通用多模态任务GUI Agent端侧 GUI 模型，OSWorld 等评测领先需结合外部框架实现 GUI 自动化音频能力独立 Audio 模型，ASR 与音频理解一体化主要聚焦视觉与文本，音频非核心方向图像生成内置 Gen 模型，支持端侧文生图与编辑以理解为主，生成能力非主打隐私策略全模态本地处理，原生端云协同端侧可运行，但协同策略需自行搭建

Step Edge的应用场景

• 智能手机助手：端侧实时语音识别与 GUI 自动化操作，离线完成订外卖、发消息、查相册等高频任务。
• 车载智能座舱：本地处理语音指令与车内视觉感知，保障驾驶数据隐私，实现导航、空调、娱乐的零延迟控制。
• 端侧图像创作：手机本地文生图与修图，无需上传照片至云端，满足用户即时创作与隐私保护双重需求。
• 工业终端巡检：在弱网工厂或户外场景，端侧模型本地识别设备故障图像与音频异常，实时上报关键信息。
• IoT 边缘设备：在智能家居、穿戴设备中部署，本地完成语音唤醒、视觉识别与简单决策，降低云端成本。