這家六小龍上新全家桶，Agent接管終端關鍵一戰！老黃預言時代來了

新智元報道

【新智元導讀】AI豈能只活在云端？剛剛，階躍星辰上新來Step Edge 端側模型全家桶！這次，AI能聽懂語音、看懂屏幕，直接補齊了Agent本地執行的關鍵拼圖。「端云協同」發力，你的手機與車機即將被徹底重構！

最近，國產大模型圈頗有一種「各忙各的」氛圍。

有人繼續追逐更強的推理能力，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、成本和開源生態持續加碼。大家都在為自己的下一階段補拼圖。

階躍星辰這次選擇的方向，是終端、端云協同。

剛剛，階躍端側模型全家桶 Step Edge 上新。一共 4 款模型，覆蓋文本視覺、音頻理解、語音識別、GUI、圖像生成與編輯等多個方向。

這可能是階躍模型版圖中遲早會出現的一塊拼圖。

很長一段時間，階躍都在強調AI不會只停留在云端和對話框里，而會進入手機、汽車以及更多真實終端。

但要讓Agent真正進入設備，僅靠一個遠在數據中心里的云端大模型并不夠。

現在，Step Edge終于補上了本地感知和執行這一環。

大模型落地，

要的是Agent的本地執行層

階躍Step Edge并非單一模型，而是由四款模型組成的端側模型家族：

Step Edge基礎模型，覆蓋文本與視覺理解；

Step Edge Audio，強化語音與音頻交互；

Step Edge GUI，強化屏幕理解和界面操作；

Step Edge Gen，強化端側圖像生成與編輯能力。

四款模型所覆蓋的，也正是一個終端Agent需要面對的主要任務：理解用戶表達，感知當前環境，看懂設備界面，并最終完成操作或生成內容。

根據階躍公布的數據，以Step Edge基礎模型為例，在與同尺寸、可端側部署模型的綜合對比中，它在更貼近Agent終端執行的任務上表現出了壓倒性的優勢。

在包含16項指標的benchmark測試中，Step Edge綜合平均分達到62.92，位列對比組第一。

在GUI Grounding、工具調用、App Agent、空間理解、視頻理解等指標上大幅領先。

Step Edge GUI在側重桌面/操作系統的OSWorld評測中，取得對比組第一。

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

Step Edge Audio 在 12 項音頻理解評測中，平均分位列對比組第一。在中文 CER 與英文 WER 上取得最低平均錯誤率，其中中文 CER 平均為 3.004，英文 WER 平均為 3.584，均優于 Gemma-4-E4B-it 和 Gemma-4-12B-it 等。

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

不拼單一Benchmark，端側競爭是系統工程

行業里有一句玩笑話：「Benchmark沒輸過，端到端沒贏過。」

端側模型的競爭，早就超出了算法層，變成了模型、推理引擎和終端硬件協同優化的系統工程之戰。

階躍星辰顯然意識到了這一點。

在推出Step Edge的同時，他們配套自研了Step Inference NPU引擎，直接針對終端硬件進行推理級優化。

相比于開源社區常用的llama.cpp方案，Step Edge在終端展現出了極具商業可用性的響應速度：

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 秒語音輸入延遲為 10.7s

Prefill TPS 最高達到 1395 TPS

這組數據的行業意義在于，它讓本地響應、屏幕理解和語音交互突破了「可用性門檻」。

以語音場景為例，車載環境往往伴隨著風噪和胎噪。

配合NPU引擎的低延遲，這種「既能聽清、又能聽懂、還能秒回」且數據無需上云的本地語音Agent，正是目前各大車企夢寐以求的智能化底座。

圖像生成方面，則意味著可以在斷網狀態下、以零云端算力成本、完全保護用戶隱私的前提下瞬間完成，徹底改變終端AI應用的使用成本結構。

補齊關鍵拼圖，「Pro+Flash+Edge」云端協同矩陣成型

如果把視線拉高，跳出單一產品的發布，Step Edge的亮相對于階躍星辰這家公司而言，具有極強的戰略閉環意味。

今天Step Edge的發布，讓階躍星辰正式完成模型布局中最關鍵的最后一環，形成了完整的「Pro + Flash + Edge」協同體系。

1.云端 Pro 模型：面向高難度推理、復雜規劃和長鏈路任務；

2.云端 Flash 模型：強調速度、成本和高頻Agent工作流；

3.端側 Edge 模型：作為本地執行層，負責實時的環境感知、GUI操作、隱私數據處理和基礎工具調用。

在未來的真實終端場景中，這三者將不再是孤立的個體。

當用戶對著手機說「幫我把剛才拍的發票整理報銷」時，Edge模型在本地瞬間響應語音、調用系統相冊識別發票；隨后，輕量級的核心數據可能被傳輸給云端Flash模型；如果是極其復雜的多年賬務比對，才會喚醒云端的Pro模型進行深度推理。

這種「云端負責復雜推理，端側負責本地執行」的端云協同，才是Agent時代最健康、最符合商業直覺的技術架構。

端云協同，

成為 Agent 時代的新模型布局

今年，黃仁勛判斷，過去40年PC的使用方式一直是打開應用、點擊、輸入；而現在，PC正在被重新發明。

在智能體無處不在的時代，我們的個人電腦將變成什么樣？智能體本地原生運行，并與本地或云端的模型相連互通。

手機和車機，正在經歷同樣的重構。它們不再只是等你點按鈕的屏幕，而要變成Agent真正落地的執行現場。

公開市場數據已經給出清晰信號：2026年全球Edge AI市場規模已達250-470億美元量級，并以20%-32%的年復合增長率狂奔，智能手機與汽車是絕對主戰場。AI Agents市場更是以超40%的增速擴張。

長期以來，行業陷入了一個致命的認知偏差：端側模型只是云端大腦的「閹割版」。

這恰恰是端側模型最容易被誤讀的地方。

它的價值從來不是「云端模型的縮小版」，而是Agent進入真實終端場景所必需的本地執行層。

手機、車機上的Agent不只是回答問題，它要聽懂語音、看懂屏幕、理解本地環境、調用工具、操作應用——這些事情天然發生在終端，也天然對實時性、隱私、弱網可用性提出更高要求。

未來的Agent，不會只生活在云端，也不會完全運行在本地。它更可能根據任務復雜度、網絡狀態、隱私要求和響應速度，在端側與云端之間動態協同。

對階躍而言，Step Edge的意義也正在于此。

它代表的不只是幾款端側模型，而是階躍「AI+終端」路線中的本地執行層。隨著Pro、Flash和Edge分別走向復雜推理、高頻云端任務與終端執行，階躍的模型布局也開始從單一云端能力，轉向一套面向Agent的端云協同體系。

過去，大模型競爭比的是誰能把智能做得更強。

而到了Agent時代，新的競爭是：誰能讓智能真正進入設備、理解環境，并把事情做完。

Step Edge，是階躍邁向這一步的關鍵落子。