简介
2026年7月13日，阶跃星辰正式发布Step Edge端侧模型全家桶，这是国内首个覆盖基础、Audio、GUI、Gen四大方向的端侧模型家族。Step Edge采用"1+N"架构，由基础模型打底，叠加音频、GUI代理、图像生成三个专项模型，主打"端侧本地0.1秒级toolcall执行"，面向手机、汽车、IoT等终端场景，被视为Agent从云端走向终端的标志性产品。
核心功能：四大模型各司其职
Step Edge全家桶包含四款模型：
- 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，覆盖中英文多语种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
四大模型共享基础能力，专项能力独立训练，部署时可按场景裁剪。这种"1+N"拆分让每个模型保持小体量，又能在需要时协同工作。
详细性能：29项评测第一
根据阶跃官方数据，Step Edge在29项内部核心评测指标中取得第一，覆盖文本视觉、音频理解、语音识别、GUI、图像生成和编辑等方向。其中关键数据：
- 端侧本地toolcall：低至0.1秒，比云端链路快5-10倍
- 1024 token文本输入：端到端4.33秒，prefill 734毫秒，吞吐1395 token/秒
- 768分辨率图像理解：5.61秒，prefill 467毫秒，吞吐1372 token/秒
- 30秒语音输入：10.72秒，prefill 575毫秒，吞吐890 token/秒
- 文生图延迟：W8A16量化下约3秒，图像编辑约4.5秒
横向对比同体量开源模型（Qwen3VL-4B-Instruct、Gemma4-E4B-it等），Step Edge在OSWORLD_G、SCREENSPOT_V2、API_BANK、AppWorld等8项关键基准中拿到第一，GUI定位、工具调用和App代理三个端侧关键大类优势明显。
技术原理：端云协同+Step Inference NPU引擎
Step Edge的核心技术架构包含三层：
- 端云协同：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
适合人群与使用场景
Step Edge全家桶主要面向四类场景：
- 手机厂商：在端侧实现AI助理、屏幕理解、UI自动化
- 车企与车机厂商：车内语音交互、导航理解、本地化Agent
- 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
- 应用开发者：在App中集成低延迟、高隐私的端侧AI能力
需要注意的是，Step Edge全家桶目前尚未明确开放公测或API，处于"发布亮相"阶段，预计将率先通过WAIC 2026（7/17-20上海）进一步披露合作厂商与商用时间表。
总结
Step Edge是国内首个真正面向终端场景的端侧大模型家族，0.1秒toolcall、29项评测第一、覆盖四模态的核心数据，标志着国产AI正从"云端比参数"切换到"端侧拼延迟与隐私"的新赛道。对于想了解阶跃Step Agent OS、其他AI工具评测的用户，Step Edge代表了国产Agent从对话走向执行的最新基建水平。