AI怎能只停留在云端？刚刚，阶跃星辰正式发布了Step Edge端侧模型全家桶。这一次，AI能够听懂语音、看懂屏幕，直接补齐了智能体（Agent）在本地执行方面的关键环节。通过「端云协同」发力，你的手机和车机即将迎来彻底重构。

最近，国产大模型领域呈现出一种「各司其职」的态势。有的团队专注于提升推理能力，有的则在推动Agent接管浏览器、办公软件及更多工作流，还有的围绕响应速度、运营成本和开源生态持续加码。大家都在为自身下一阶段的发展补齐短板。阶跃星辰此次选择的方向，正是终端设备，以及端云协同的深度融合。

刚刚，阶跃端侧模型全家桶Step Edge全面更新。该系列包含4款模型，覆盖文本视觉、音频理解、语音识别、图形用户界面（GUI）、图像生成与编辑等多个方向。这或许正是阶跃模型版图中迟早会出现的一块关键拼图。

很长一段时间以来，阶跃一直在强调AI不会仅局限于云端和对话框，而会进入手机、汽车以及更多真实的终端设备。然而，要让Agent真正在设备端落地，单纯依靠一个远在数据中心的云端大模型是远远不够的。如今，Step Edge终于补上了本地感知与执行这一关键环节。

大模型落地，关键在于Agent的本地执行层

具体来说，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能力；Step Edge GUI，增强屏幕理解与界面操作；Step Edge Gen，强化端侧图像生成与编辑功能。

这四款模型所覆盖的，正是一个终端Agent需要面对的主要任务：理解用户意图，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终端执行的任务上展现出压倒性优势。在包含16项指标的基准测试中，Step Edge的综合平均分达到62.92，位列对比组第一。

在GUI基础定位、工具调用、App Agent、空间理解、视频理解等多项指标上，该模型均大幅领先。

Step Edge GUI在侧重桌面/操作系统的OSWorld评测中，同样取得了对比组第一的成绩。

这种屏幕理解和控件定位能力，正是支撑终端Agent从「被动应答」迈向「主动操作」的核心基础设施。

Step Edge Audio在12项音频理解评测中，平均分位列对比组第一。在中文字符错误率（CER）与英文词错误率（WER）上，均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，表现优于Gemma-4-E4B-it和Gemma-4-12B-it等模型。

在图像生成方面，Step Edge Gen将高质量的文生图与图像编辑能力带到了端侧。

不拼单一Benchmark，端侧竞争是系统工程

行业内有句玩笑话：「Benchmark没输过，端到端没赢过。」端侧模型的竞争，早已超出算法层面，演变为模型、推理引擎与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，专门针对终端硬件进行推理级优化。相比开源社区常用的llama.cpp方案，Step Edge在终端上展现出极具商业可用性的响应速度：

1024 token文本输入延迟为4.33秒；处理一张768分辨率图片的延迟为5.61秒；处理30秒语音输入的延迟为10.7秒；Prefill吞吐量最高达到1395 TPS。

这组数据的行业意义在于，它使本地响应、屏幕理解和语音交互突破了「可用性门槛」。以语音场景为例，车载环境常伴随风噪和胎噪。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，正是当前各大车企梦寐以求的智能化底座。而在图像生成方面，这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任务，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

如果把视野拉高，跳出单一产品发布来看，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义。今天Step Edge的发布，让阶跃星辰正式完成了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「帮我把刚才拍的发片整理报销」时，Edge模型在本地瞬间响应语音、调用系统相册识别发片；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正在被重新定义。在智能体无处不在的时代，我们的个人电脑将变成什么样？答案是：智能体本地原生运行，并与本地或云端的模型实现互联互通。

手机和车机，正在经历同样的重构。它们不再只是等待你点击按钮的屏幕，而是要变成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年全球边缘AI（Edge AI）市场规模已达250-470亿美元量级，并以20%-32%的年复合增长率快速扩张，智能手机与汽车是绝对的主战场。AI Agents市场更是以超过40%的增速不断壮大。

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「缩水版」。这恰恰是端侧模型最容易被误解的地方。它的价值从来不是「云端模型的简化版」，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不仅要回答问题，它还要听懂语音、看懂屏幕、理解本地环境、调用工具、操作应用——这些任务天然发生在终端，也天然对实时性、隐私保护、弱网可用性提出了更高要求。

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、网络状况、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，大模型竞争比拼的是谁能把智能做得更强。而到了Agent时代，新的竞争焦点是：谁能让智能真正进入设备、理解环境，并把事情做完。Step Edge，正是阶跃迈向这一步的关键落子。