這家六小龍上新全家桶，Agent接管終端關(guān)鍵一戰(zhàn)！老黃預(yù)言時(shí)代來(lái)了

新智元報(bào)道

【新智元導(dǎo)讀】AI豈能只活在云端？剛剛，階躍星辰上新來(lái)Step Edge 端側(cè)模型全家桶！這次，AI能聽(tīng)懂語(yǔ)音、看懂屏幕，直接補(bǔ)齊了Agent本地執(zhí)行的關(guān)鍵拼圖。「端云協(xié)同」發(fā)力，你的手機(jī)與車(chē)機(jī)即將被徹底重構(gòu)！

最近，國(guó)產(chǎn)大模型圈頗有一種「各忙各的」氛圍。

有人繼續(xù)追逐更強(qiáng)的推理能力，有人忙著讓Agent接管瀏覽器、辦公軟件和更多工作流，也有人圍繞速度、成本和開(kāi)源生態(tài)持續(xù)加碼。大家都在為自己的下一階段補(bǔ)拼圖。

階躍星辰這次選擇的方向，是終端、端云協(xié)同。

剛剛，階躍端側(cè)模型全家桶 Step Edge 上新。一共 4 款模型，覆蓋文本視覺(jué)、音頻理解、語(yǔ)音識(shí)別、GUI、圖像生成與編輯等多個(gè)方向。

這可能是階躍模型版圖中遲早會(huì)出現(xiàn)的一塊拼圖。

很長(zhǎng)一段時(shí)間，階躍都在強(qiáng)調(diào)AI不會(huì)只停留在云端和對(duì)話(huà)框里，而會(huì)進(jìn)入手機(jī)、汽車(chē)以及更多真實(shí)終端。

但要讓Agent真正進(jìn)入設(shè)備，僅靠一個(gè)遠(yuǎn)在數(shù)據(jù)中心里的云端大模型并不夠。

現(xiàn)在，Step Edge終于補(bǔ)上了本地感知和執(zhí)行這一環(huán)。

大模型落地，

要的是Agent的本地執(zhí)行層

階躍Step Edge并非單一模型，而是由四款模型組成的端側(cè)模型家族：

Step Edge基礎(chǔ)模型，覆蓋文本與視覺(jué)理解；

Step Edge Audio，強(qiáng)化語(yǔ)音與音頻交互；

Step Edge GUI，強(qiáng)化屏幕理解和界面操作；

Step Edge Gen，強(qiáng)化端側(cè)圖像生成與編輯能力。

四款模型所覆蓋的，也正是一個(gè)終端Agent需要面對(duì)的主要任務(wù)：理解用戶(hù)表達(dá)，感知當(dāng)前環(huán)境，看懂設(shè)備界面，并最終完成操作或生成內(nèi)容。

根據(jù)階躍公布的數(shù)據(jù)，以Step Edge基礎(chǔ)模型為例，在與同尺寸、可端側(cè)部署模型的綜合對(duì)比中，它在更貼近Agent終端執(zhí)行的任務(wù)上表現(xiàn)出了壓倒性的優(yōu)勢(shì)。

在包含16項(xiàng)指標(biāo)的benchmark測(cè)試中，Step Edge綜合平均分達(dá)到62.92，位列對(duì)比組第一。

在GUI Grounding、工具調(diào)用、App Agent、空間理解、視頻理解等指標(biāo)上大幅領(lǐng)先。

Step Edge GUI在側(cè)重桌面/操作系統(tǒng)的OSWorld評(píng)測(cè)中，取得對(duì)比組第一。

這種屏幕理解和控件定位能力，正是支撐終端Agent從「被動(dòng)回答」走向「主動(dòng)操作」的核心基建。

Step Edge Audio 在 12 項(xiàng)音頻理解評(píng)測(cè)中，平均分位列對(duì)比組第一。在中文 CER 與英文 WER 上取得最低平均錯(cuò)誤率，其中中文 CER 平均為 3.004，英文 WER 平均為 3.584，均優(yōu)于 Gemma-4-E4B-it 和 Gemma-4-12B-it 等。

圖像生成方面，Step Edge Gen將高質(zhì)量的文生圖和圖像編輯能力帶到端側(cè)。

不拼單一Benchmark，端側(cè)競(jìng)爭(zhēng)是系統(tǒng)工程

行業(yè)里有一句玩笑話(huà)：「Benchmark沒(méi)輸過(guò)，端到端沒(méi)贏過(guò)。」

端側(cè)模型的競(jìng)爭(zhēng)，早就超出了算法層，變成了模型、推理引擎和終端硬件協(xié)同優(yōu)化的系統(tǒng)工程之戰(zhàn)。

階躍星辰顯然意識(shí)到了這一點(diǎn)。

在推出Step Edge的同時(shí)，他們配套自研了Step Inference NPU引擎，直接針對(duì)終端硬件進(jìn)行推理級(jí)優(yōu)化。

相比于開(kāi)源社區(qū)常用的llama.cpp方案，Step Edge在終端展現(xiàn)出了極具商業(yè)可用性的響應(yīng)速度：

1024 token 文本輸入延遲為 4.33s

看一張 768 分辨率的圖延遲為 5.61s

30 秒語(yǔ)音輸入延遲為 10.7s

Prefill TPS 最高達(dá)到 1395 TPS

這組數(shù)據(jù)的行業(yè)意義在于，它讓本地響應(yīng)、屏幕理解和語(yǔ)音交互突破了「可用性門(mén)檻」。

以語(yǔ)音場(chǎng)景為例，車(chē)載環(huán)境往往伴隨著風(fēng)噪和胎噪。

配合NPU引擎的低延遲，這種「既能聽(tīng)清、又能聽(tīng)懂、還能秒回」且數(shù)據(jù)無(wú)需上云的本地語(yǔ)音Agent，正是目前各大車(chē)企夢(mèng)寐以求的智能化底座。

圖像生成方面，則意味著可以在斷網(wǎng)狀態(tài)下、以零云端算力成本、完全保護(hù)用戶(hù)隱私的前提下瞬間完成，徹底改變終端AI應(yīng)用的使用成本結(jié)構(gòu)。

補(bǔ)齊關(guān)鍵拼圖，「Pro+Flash+Edge」云端協(xié)同矩陣成型

如果把視線(xiàn)拉高，跳出單一產(chǎn)品的發(fā)布，Step Edge的亮相對(duì)于階躍星辰這家公司而言，具有極強(qiáng)的戰(zhàn)略閉環(huán)意味。

今天Step Edge的發(fā)布，讓階躍星辰正式完成模型布局中最關(guān)鍵的最后一環(huán)，形成了完整的「Pro + Flash + Edge」協(xié)同體系。

1.云端 Pro 模型：面向高難度推理、復(fù)雜規(guī)劃和長(zhǎng)鏈路任務(wù)；

2.云端 Flash 模型：強(qiáng)調(diào)速度、成本和高頻Agent工作流；

3.端側(cè) Edge 模型：作為本地執(zhí)行層，負(fù)責(zé)實(shí)時(shí)的環(huán)境感知、GUI操作、隱私數(shù)據(jù)處理和基礎(chǔ)工具調(diào)用。

在未來(lái)的真實(shí)終端場(chǎng)景中，這三者將不再是孤立的個(gè)體。

當(dāng)用戶(hù)對(duì)著手機(jī)說(shuō)「幫我把剛才拍的發(fā)票整理報(bào)銷(xiāo)」時(shí)，Edge模型在本地瞬間響應(yīng)語(yǔ)音、調(diào)用系統(tǒng)相冊(cè)識(shí)別發(fā)票；隨后，輕量級(jí)的核心數(shù)據(jù)可能被傳輸給云端Flash模型；如果是極其復(fù)雜的多年賬務(wù)比對(duì)，才會(huì)喚醒云端的Pro模型進(jìn)行深度推理。

這種「云端負(fù)責(zé)復(fù)雜推理，端側(cè)負(fù)責(zé)本地執(zhí)行」的端云協(xié)同，才是Agent時(shí)代最健康、最符合商業(yè)直覺(jué)的技術(shù)架構(gòu)。

端云協(xié)同，

成為 Agent 時(shí)代的新模型布局

今年，黃仁勛判斷，過(guò)去40年P(guān)C的使用方式一直是打開(kāi)應(yīng)用、點(diǎn)擊、輸入；而現(xiàn)在，PC正在被重新發(fā)明。

在智能體無(wú)處不在的時(shí)代，我們的個(gè)人電腦將變成什么樣？智能體本地原生運(yùn)行，并與本地或云端的模型相連互通。

手機(jī)和車(chē)機(jī)，正在經(jīng)歷同樣的重構(gòu)。它們不再只是等你點(diǎn)按鈕的屏幕，而要變成Agent真正落地的執(zhí)行現(xiàn)場(chǎng)。

公開(kāi)市場(chǎng)數(shù)據(jù)已經(jīng)給出清晰信號(hào)：2026年全球Edge AI市場(chǎng)規(guī)模已達(dá)250-470億美元量級(jí)，并以20%-32%的年復(fù)合增長(zhǎng)率狂奔，智能手機(jī)與汽車(chē)是絕對(duì)主戰(zhàn)場(chǎng)。AI Agents市場(chǎng)更是以超40%的增速擴(kuò)張。

長(zhǎng)期以來(lái)，行業(yè)陷入了一個(gè)致命的認(rèn)知偏差：端側(cè)模型只是云端大腦的「閹割版」。

這恰恰是端側(cè)模型最容易被誤讀的地方。

它的價(jià)值從來(lái)不是「云端模型的縮小版」，而是Agent進(jìn)入真實(shí)終端場(chǎng)景所必需的本地執(zhí)行層。

手機(jī)、車(chē)機(jī)上的Agent不只是回答問(wèn)題，它要聽(tīng)懂語(yǔ)音、看懂屏幕、理解本地環(huán)境、調(diào)用工具、操作應(yīng)用——這些事情天然發(fā)生在終端，也天然對(duì)實(shí)時(shí)性、隱私、弱網(wǎng)可用性提出更高要求。

未來(lái)的Agent，不會(huì)只生活在云端，也不會(huì)完全運(yùn)行在本地。它更可能根據(jù)任務(wù)復(fù)雜度、網(wǎng)絡(luò)狀態(tài)、隱私要求和響應(yīng)速度，在端側(cè)與云端之間動(dòng)態(tài)協(xié)同。

對(duì)階躍而言，Step Edge的意義也正在于此。

它代表的不只是幾款端側(cè)模型，而是階躍「AI+終端」路線(xiàn)中的本地執(zhí)行層。隨著Pro、Flash和Edge分別走向復(fù)雜推理、高頻云端任務(wù)與終端執(zhí)行，階躍的模型布局也開(kāi)始從單一云端能力，轉(zhuǎn)向一套面向Agent的端云協(xié)同體系。

過(guò)去，大模型競(jìng)爭(zhēng)比的是誰(shuí)能把智能做得更強(qiáng)。

而到了Agent時(shí)代，新的競(jìng)爭(zhēng)是：誰(shuí)能讓智能真正進(jìn)入設(shè)備、理解環(huán)境，并把事情做完。

Step Edge，是階躍邁向這一步的關(guān)鍵落子。