这家六小龙上新全家桶，Agent接管终端关键一战！老黄预言时代来了

发布时间：2026-07-18 04:59:31 来源：安智兰德资讯网 作者：热点

新智元报道

【导读】AI不应仅局限于云端服务器。家小家桶t接键战近日，龙上老黄阶跃星辰正式发布 Step Edge 端侧模型全家桶。新全这一举措标志着AI在语音理解、管终屏幕视觉识别及本地执行能力上的端关重大突破，彻底补齐了Agent在终端落地的时代关键拼图。通过“端云协同”架构，家小家桶t接键战手机与车机等智能终端将迎来底层逻辑的龙上老黄重构。

当前，新全国产大模型领域呈现出多元化的管终发展态势：部分厂商聚焦于提升推理极限，部分致力于让Agent接管浏览器、端关办公软件及复杂工作流，时代亦有厂商在推理速度、家小家桶t接键战成本控制及开源生态上持续深耕。龙上老黄各方均在为下一阶段的新全竞争补充关键能力。

阶跃星辰此次选择了一条差异化路径：深耕终端场景，强化端云协同。

随着 Step Edge系列模型的上线，阶跃星辰推出了涵盖文本视觉、音频理解、语音识别、GUI（图形用户界面）交互、图像生成与编辑等维度的四款核心模型。这不仅是阶跃产品矩阵的自然延伸，更是其长期战略的落地——让AI走出数据中心，真正融入手机、汽车等真实物理终端。

然而，仅靠云端大模型无法实现Agent在设备端的实时响应与自主操作。Step Edge 的推出，正是为了填补这一“本地感知与执行”的空白。

大模型落地核心：构建Agent的本地执行层

Step Edge 并非单一模型，而是一个由四款专用模型组成的端侧家族，旨在覆盖终端Agent的核心任务场景：

1. Step Edge 基础模型：专注于文本与视觉的多模态理解；
2. Step Edge Audio：强化语音交互与音频内容解析能力；
3. Step Edge GUI：专精于屏幕内容理解与界面控件操作；
4. Step Edge Gen：提供端侧图像生成与编辑能力。

这四款模型共同构成了一个完整的闭环：从理解用户指令，到感知周围环境，再到识别设备界面，最终完成操作或内容生成。

根据阶跃星辰公布的数据，Step Edge 基础模型在与同尺寸、可部署于端侧的竞品模型对比中，展现出显著优势。在包含16项指标的基准测试中，其综合平均分达到 62.92，位居对比组首位。

特别是在 GUI Grounding（GUI定位）、工具调用、App Agent（应用智能体）、空间理解及 视频理解等关键指标上，Step Edge 大幅领先。

在侧重桌面操作系统评测的 OSWorld榜单中，Step Edge GUI斩获对比组第一。这种强大的屏幕理解与控件定位能力，是终端Agent从“被动问答”转向“主动操作”的核心基础设施。

在音频领域，Step Edge Audio在12项音频理解评测中平均分位列第一。其中，中文字符错误率（CER）平均仅为 3.004，英文词错误率（WER）平均为 3.584，表现优于 Gemma-4-E4B-it 和 Gemma-4-12B-it 等主流模型。

此外，Step Edge Gen将高质量的文生图及图像编辑能力引入端侧，实现了本地化的创意生成。

超越Benchmark：端侧竞争是系统工程

业界常有调侃：“Benchmark没输过，端到端没赢过。”

端侧模型的竞争早已超越单纯的算法层面，演变为一场涉及模型架构、推理引擎与终端硬件深度协同的系统工程之战。阶跃星辰深谙此道，在发布Step Edge的同时，配套推出了自研的 Step Inference NPU引擎。该引擎针对终端硬件特性进行了推理级的深度优化。

相较于开源社区常用的 llama.cpp 方案，Step Edge 在终端设备上展现了极具商业价值的响应速度：

• 1024 token 文本输入延迟：4.33秒
• 768分辨率图像识别延迟：5.61秒
• 30秒语音输入延迟：10.7秒
• Prefill TPS（每秒处理Token数）：最高达 1395 TPS

这一性能表现具有里程碑意义，标志着本地响应、屏幕理解及语音交互正式突破了“可用性门槛”。

以车载场景为例，车内环境复杂，常伴随风噪与胎噪。配合NPU引擎的低延迟特性，这种“听得清、听得懂、秒级响应”且数据不出车的本地语音Agent，正是当前各大车企亟需的智能化底座。

在图像生成方面，端侧能力意味着用户可在断网状态下，以零云端算力成本、完全保护隐私的前提下，瞬间完成创作。这将彻底改变终端AI应用的成本结构与用户体验。

战略闭环：“Pro + Flash + Edge”端云协同矩阵成型

跳出单一产品视角，Step Edge 的发布标志着阶跃星辰完成了其模型布局中最关键的一环，正式形成 “Pro + Flash + Edge”的协同体系：

1. 云端 Pro 模型：聚焦高难度推理、复杂逻辑规划及长链路任务；
2. 云端 Flash 模型：强调极速响应、低成本及高频Agent工作流处理；
3. 端侧 Edge 模型：作为本地执行层，负责实时环境感知、GUI操作、隐私数据处理及基础工具调用。

在未来真实的终端场景中，这三者将不再是孤立存在，而是动态协作：

场景示例：当用户指令“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并调用系统相册识别发票；随后，轻量级核心数据可能传输给云端 Flash模型进行快速处理；若涉及极其复杂的多年账务比对，则唤醒云端 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”的架构，是Agent时代最健康、最符合商业逻辑的技术范式。

端云协同：Agent时代的新模型布局

黄仁勋曾预言，过去40年PC的使用范式是“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未来，个人电脑将演变为智能体本地原生运行并与云端模型互通的枢纽。

手机与车机正经历同样的重构。它们不再仅是等待指令的屏幕，而是Agent真正落地的执行现场。

市场数据印证了这一趋势：2026年全球Edge AI市场规模预计达 250-470亿美元，年复合增长率高达 20%-32%，智能手机与汽车是绝对主战场。与此同时，AI Agents市场增速超过 40%。

长期以来，行业存在一种认知偏差：认为端侧模型只是云端大脑的“阉割版”。这恰恰是端侧模型最被误读之处。

端侧模型的价值不在于“缩小”，而在于“执行”。它是Agent进入真实场景的必需品，需具备听懂语音、看懂屏幕、理解环境、调用工具及操作应用的能力。这些任务天然要求高实时性、高隐私性及弱网可用性。

未来的Agent既不完全依赖云端，也不完全局限于本地，而是根据任务复杂度、网络状态、隐私要求及响应速度，在端与云之间动态协同。

对阶跃星辰而言，Step Edge 的意义远超几款模型本身。它代表了阶跃“AI+终端”战略中的本地执行层。随着 Pro、Flash 和 Edge 分别承担复杂推理、高频云端任务与终端执行，阶跃的模型布局已从单一的云端能力，升级为面向Agent的端云协同体系。

过去，大模型竞争比拼的是智能的“强度”；而在Agent时代，竞争的核心在于谁能让智能真正进入设备、理解环境，并高效完成任务。

Step Edge，正是阶跃迈向这一目标的关键落子。

相关文章