（来源：新智元）

新智元报道  

【新智元导读】AI岂能只活在云端？刚刚，阶跃星辰上新来Step Edge 端侧模型全家桶！这次，AI能听懂语音、看懂屏幕，直接补齐了Agent本地执行的关键拼图。「端云协同」发力，你的手机与车机即将被彻底重构！

最近，国产大模型圈颇有一种「各忙各的」氛围。

有人继续追逐更强的推理能力，有人忙着让Agent接管浏览器、办公软件和更多工作流，也有人围绕速度、成本和开源生态持续加码。大家都在为自己的下一阶段补拼图。

阶跃星辰这次选择的方向，是终端、端云协同。

刚刚，阶跃端侧模型全家桶 Step Edge 上新。一共 4 款模型，覆盖文本视觉、音频理解、语音识别、GUI、图像生成与编辑等多个方向。

这可能是阶跃模型版图中迟早会出现的一块拼图。

很长一段时间，阶跃都在强调AI不会只停留在云端和对话框里，而会进入手机、汽车以及更多真实终端。

但要让Agent真正进入设备，仅靠一个远在数据中心里的云端大模型并不够。

现在，Step Edge终于补上了本地感知和执行这一环。

大模型落地，

要的是Agent的本地执行层

阶跃Step Edge并非单一模型，而是由四款模型组成的端侧模型家族：

Step Edge基础模型，覆盖文本与视觉理解； 

Step Edge Audio，强化语音与音频交互； 

Step Edge GUI，强化屏幕理解和界面操作； 

Step Edge Gen，强化端侧图像生成与编辑能力。

四款模型所覆盖的，也正是一个终端Agent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，并最终完成操作或生成内容。

根据阶跃公布的数据，以Step Edge基础模型为例，在与同尺寸、可端侧部署模型的综合对比中，它在更贴近Agent终端执行的任务上表现出了压倒性的优势。

在包含16项指标的benchmark测试中，Step Edge综合平均分达到62.92，位列对比组第一。

在GUI Grounding、工具调用、App Agent、空间理解、视频理解等指标上大幅领先。

Step Edge GUI在侧重桌面/操作系统的OSWorld评测中，取得对比组第一。

这种屏幕理解和控件定位能力，正是支撑终端Agent从「被动回答」走向「主动操作」的核心基建。

Step Edge Audio 在 12 项音频理解评测中，平均分位列对比组第一。在中文 CER 与英文 WER 上取得最低平均错误率，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。

图像生成方面，Step Edge Gen将高质量的文生图和图像编辑能力带到端侧。

不拼单一Benchmark，端侧竞争是系统工程

行业里有一句玩笑话：「Benchmark没输过，端到端没赢过。」

端侧模型的竞争，早就超出了算法层，变成了模型、推理引擎和终端硬件协同优化的系统工程之战。

阶跃星辰显然意识到了这一点。

在推出Step Edge的同时，他们配套自研了Step Inference NPU引擎，直接针对终端硬件进行推理级优化。

相比于开源社区常用的llama.cpp方案，Step Edge在终端展现出了极具商业可用性的响应速度：

1024 token 文本输入延迟为 4.33s

看一张 768 分辨率的图延迟为 5.61s 

30 秒语音输入延迟为 10.7s 

Prefill TPS 最高达到 1395 TPS

这组数据的行业意义在于，它让本地响应、屏幕理解和语音交互突破了「可用性门槛」。

以语音场景为例，车载环境往往伴随着风噪和胎噪。

配合NPU引擎的低延迟，这种「既能听清、又能听懂、还能秒回」且数据无需上云的本地语音Agent，正是目前各大车企梦寐以求的智能化底座。

图像生成方面，则意味着可以在断网状态下、以零云端算力成本、完全保护用户隐私的前提下瞬间完成，彻底改变终端AI应用的使用成本结构。

补齐关键拼图，「Pro+Flash+Edge」云端协同矩阵成型

如果把视线拉高，跳出单一产品的发布，Step Edge的亮相对于阶跃星辰这家公司而言，具有极强的战略闭环意味。

今天Step Edge的发布，让阶跃星辰正式完成模型布局中最关键的最后一环，形成了完整的「Pro + Flash + Edge」协同体系。

1.云端 Pro 模型 ：面向高难度推理、复杂规划和长链路任务； 

2.云端 Flash 模型 ：强调速度、成本和高频Agent工作流； 

3.端侧 Edge 模型 ：作为本地执行层，负责实时的环境感知、GUI操作、隐私数据处理和基础工具调用。

在未来的真实终端场景中，这三者将不再是孤立的个体。

当用户对着手机说「帮我把刚才拍的发票整理报销」时，Edge模型在本地瞬间响应语音、调用系统相册识别发票；随后，轻量级的核心数据可能被传输给云端Flash模型；如果是极其复杂的多年账务比对，才会唤醒云端的Pro模型进行深度推理。

这种「云端负责复杂推理，端侧负责本地执行」的端云协同，才是Agent时代最健康、最符合商业直觉的技术架构。

端云协同，

成为 Agent 时代的新模型布局

今年，黄仁勋判断，过去40年PC的使用方式一直是打开应用、点击、输入；而现在，PC正在被重新发明。

在智能体无处不在的时代，我们的个人电脑将变成什么样？智能体本地原生运行，并与本地或云端的模型相连互通。

手机和车机，正在经历同样的重构。它们不再只是等你点按钮的屏幕，而要变成Agent真正落地的执行现场。

公开市场数据已经给出清晰信号：2026年全球Edge AI市场规模已达250-470亿美元量级，并以20%-32%的年复合增长率狂奔，智能手机与汽车是绝对主战场。AI Agents市场更是以超40%的增速扩张。

长期以来，行业陷入了一个致命的认知偏差：端侧模型只是云端大脑的「阉割版」。

这恰恰是端侧模型最容易被误读的地方。

它的价值从来不是「云端模型的缩小版」，而是Agent进入真实终端场景所必需的本地执行层。

手机、车机上的Agent不只是回答问题，它要听懂语音、看懂屏幕、理解本地环境、调用工具、操作应用——这些事情天然发生在终端，也天然对实时性、隐私、弱网可用性提出更高要求。

未来的Agent，不会只生活在云端，也不会完全运行在本地。它更可能根据任务复杂度、网络状态、隐私要求和响应速度，在端侧与云端之间动态协同。

对阶跃而言，Step Edge的意义也正在于此。

它代表的不只是几款端侧模型，而是阶跃「AI+终端」路线中的本地执行层。随着Pro、Flash和Edge分别走向复杂推理、高频云端任务与终端执行，阶跃的模型布局也开始从单一云端能力，转向一套面向Agent的端云协同体系。

过去，大模型竞争比的是谁能把智能做得更强。

而到了Agent时代，新的竞争是：谁能让智能真正进入设备、理解环境，并把事情做完。

Step Edge，是阶跃迈向这一步的关键落子。

秒追ASI