Step Edge

Step Edge

Step Edge 是面向手机、车载等端侧场景的文本 + 视觉基础模型，覆盖图像理解、GUI Grounding、工具调用、空间 / 视频理解等端侧核心能力。模型可在本地完成屏幕内容理解、界面元素定位、文字与视觉信息提取、空间推理及多轮工具执行，支撑端侧智能助手、车载交互和本地自动化等应用，并适用于低时延、隐私敏感及弱网环境。

说明：表中外部对比模型的全部分数均为内部自测结果，并非模型厂商官方报告结果。图像理解、GUI Grounding、OCR、视频与空间理解共 12 项由内部评测平台完成，模型间使用同一数据版本、ground truth 与评分规则。TAU2、API Bank 与 AppWorld 分别使用独立的 agent / tool harness，调用内部部署平台上基于 vLLM 提供的 OpenAI-compatible API，并按模型架构配置 chat template、推理模式、工具调用 parser 与输出适配器。六个模型的主要 vLLM 部署版本为：Step Edge、Qwen3VL-4B-Instruct 与 Qwen3-VL-4B-Thinking 使用 0.19.0.post7，Gemma4-E4B-it 使用 0.19.0，MiniCPM-V-4.6 与 LFM2.5-VL-1.6B 使用 0.22.0。Step Edge 的主模型服务采用 TP1、max_model_len=131072、Thinking template 与 hermes tool parser；请求参数为 temperature=1.0、top_p=0.95、top_k=20、max_tokens=65536。

1. 粗体为单项最佳，下划线为次佳；表中外部对比模型的全部分数均为内部自测结果，并非模型厂商官方报告结果。
2. 评测集样本量为：MMSTAR^* 1,494、MMMUPRO^* 5,030、MMBENCH_CN^* 4,816、OSWORLD_G 510、SCREENSPOT_PRO 1,581、SCREENSPOT_V2 1,272、OCRBench 1,000、OMNIOCR 1,000、MVBenchMP4 4,000、VSIBENCH 5,130、MINDCUBE_MINI 1,200、OMNISPATIAL 1,533；TAU2（telecom + retail test）共 228 个任务。
3. ^* 表示基于同一公开题集的评测适配版本：MMSTAR、MMMUPRO 与 MMBENCH_CN 的正式评测题目与对应公开评测集相同，仅对 few-shot 示例、图像尺寸处理或数据组织等接入细节作了适配。表内所有模型均使用同一版本。

Step Edge Audio

Step Edge Audio 是面向手机、车载等端侧场景的音频基础模型，在音频感知、语音语义推理与泛场景识别上均以小体量领先。MMSU、MMAR、Step-Caption、WildSpeech 等真正考验「听懂声学与音频内容」的榜单，Step Edge Audio 全面超越同尺寸的 MiniCPM-o-4.5 与参数量更大的 Gemma-4-12B；语音识别覆盖朗读、近场、网络、远场会议到带口音众包等泛场景，中文 CER≈3.1%、英文 WER≈3.6%，大幅领先同类通用模型，达到专用 ASR 模型水平。

Step Edge GUI

Step Edge GUI 面向端侧本地闭环执行 GUI Agent 任务，可在电脑与手机环境中完成界面理解、定位和操作。OS-World-Verified 衡量 Computer Use 能力，Step Edge GUI 在同尺寸模型中达到领先水平，并超过 Claude Haiku 4.5；Mobile-Gym 模拟微信、小红书等日常 App 环境，Step Edge GUI 在端侧小模型中保持强竞争力；内部泛创作生产力 Benchmark 覆盖小红书、抖音、美图、剪映等真机工作流，Step Edge GUI 接近 Doubao-Seed-1.8，并相比 Step-GUI-251215 有明显提升。

说明：Mobile Gym 4B* 表示该模型使用Mobile Gym 环境进行过训练；参数标注中的 A 表示 MoE active 参数写法，例如 30BA3 表示总参数30B，每token 推理时激活参数为3B。

Step Edge Gen

Step Edge Gen 是面向端侧部署约束构建的图像生成与编辑模型。模型在 W8A16 配置下可实现约 3 秒文生图与约 4.5 秒图像编辑；在人工对比评测中，Step Edge Gen 在部分维度上达到或超过云端的 FLUX.2 Klein 4B 生成模型的表现。

说明：GenEval 指标采用 Soft TIFA_GM，即在 prompt 层级对语义约束满足情况进行软判定并汇总得到的正确率；OneIG 指标为 align、text、reasoning、style、diversity 五个维度得分的算术平均。

推理速度

为了让端侧模型真正具备可用体验，Step Edge 配套自研 Step Inference NPU 引擎，针对终端硬件进行推理优化。在文本、视觉和语音输入下，Step Edge 都能将模型能力转化为更低的端到端延迟：1024 token 文本输入约 4.33s，768 分辨率图像理解约 5.61s，30 秒语音输入约 10.72s，预填充吞吐最高达到 1395 token/s。对端侧 Agent 来说，这意味着本地响应、屏幕理解、语音交互和工具调用有了更扎实的实时体验基础。