階躍星辰正式發布并開源圖像編輯大模型 Step1X-Edit，性能達到開源 SOTA。該模型總參數量為 19B (7B MLLM + 12B DiT)，具備語義精準解析、身份一致性保持、高精度區域級控制三項關鍵能力；支持 11 類高頻圖像編輯任務類型，如文字替換、風格遷移、材質變換、人物修圖等。

一句話總結：Step1X-Edit，不只能“改圖”，更能“聽得懂、改得準、保得住”。

開源鏈接與體驗地址： Github： https://github.com/stepfun-ai/Step1X-Edit HuggingFace： https://huggingface.co/stepfun-ai/Step1X-Edit ModelScope： https://www.modelscope.cn/models/stepfun-ai/Step1X-Edit/summary 技術 Report： https://arxiv.org/pdf/2504.17761

編輯效果演示：Step1X-Edit 支持各類編輯任務

Step1X-Edit 首次在開源體系中實現 MLLM 與 DiT 的深度融合，在編輯精度與圖像保真度上實現大幅提升。在最新發布的圖像編輯基準 GEdit-Bench 中，Step1X-Edit 在語義一致性、圖像質量與綜合得分三項指標上全面領先現有開源模型，比肩 GPT-4o 與 Gemini 2.0 Flash。

Step1X-Edit 現已上線階躍AI 官網（stepfun.com）和階躍App（應用商店搜索下載即可），歡迎體驗。

Founder Park 正在搭建開發者社群，邀請積極嘗試、測試新模型、新技術的開發者、創業者們加入，請掃碼詳細填寫你的產品/項目信息，通過審核后工作人員會拉你入群～

進群之后，你有機會得到：

• 高濃度的主流模型（如 DeepSeek 等）開發交流；

• 資源對接，與 API、云廠商、模型廠商直接交流反饋的機會；

• 好用、有趣的產品/案例，Founder Park 會主動做宣傳。

01

模型特點與參數

Step1X-Edit 針對自然語言圖像編輯任務，具備以下核心能力：

• 語義精準解析：支持自然語言描述的復雜組合指令，指令無需模板，能夠靈活應對多輪、多任務編輯需求，同時支持對圖像中文字進行識別、替換與重構；

• 身份一致性保持：編輯后能穩定保留人臉、姿態與身份特征，適用于虛擬人、電商模特、社交圖像等高一致性場景；

• 高精度區域級控制：支持對指定區域進行文字、材質、色彩等定向編輯，保持圖像風格統一，控制能力更精細。

編輯任務效果對比：Step1X-Edit 實現最佳編輯效果與原圖一致性

02

案例上手

這個五一，不如試試用嘴改圖，無論是修圖，還是瘦身，都能一句話搞定。Step1X-Edit 已在【階躍AI 網頁端和階躍AI App】上線，歡迎前往體驗。

案例一：一句話P圖

原圖

編輯后

提示詞：給小姐姐脖子上增加一條適合她的項鏈

原圖

原圖

提示詞：把這個小女孩改成戴珍珠耳環的不高興的少女，畫風不變

案例二：物體/背景/材質，統統都能換

原圖

編輯后

提示詞：將月餅替換為包子

原圖

編輯后

提示詞：把圖里的水果變成一朵花

案例三：一句話改海報文案

原圖

編輯后

提示詞：將“GREEN” 改成“階 躍 A I”

案例四：玩轉不同風格

原圖

編輯后

提示詞：以融合超現實主義、表現主義和天真藝術的風格重繪這幅圖片，以近乎民俗的方式捕捉抽象人類情感和互動的簡單性和復雜性。原始而有機的感覺，以孩子般的方式勾勒主體輪廓。采用原生藝術風格，使用對比和分層來創造混亂但有凝聚力的視覺沖擊。俏皮地使用線條和顏色，主體元素既簡單又富有象征意義。

原圖

編輯后

提示詞：創建一張色彩鮮艷的手工簇絨地毯圖片，放置在簡單的地板背景上。地毯設計大膽、有趣，具有柔軟蓬松的質地和粗紗線細節。從上方拍攝，在自然日光下，帶有略微古怪的 DIY 美學風格。色彩鮮艷、卡通輪廓、觸感舒適的材料——類似于手工簇絨藝術地毯。

原圖

編輯后

提示詞：換成像素風格

原圖

編輯后

提示詞：將圖片改為清晨

03

技術創新

Step1X-Edit 采用 MLLM（Multimodal LLM）+ Diffusion 的解耦式架構，分別負責自然語言理解與高保真圖像生成，相比現有圖像編輯模型，該架構在指令泛化能力與圖像可控性上更具優勢。

• MLLM模塊負責處理自然語言指令與圖像內容，具備多模態語義理解能力，可將復雜編輯需求解析為 latent 控制信號；

• Diffusion 模塊作為圖像生成器（Image Decoder），根據 MLLM 生成的 latent 信號完成圖像的重構或局部修改，確保圖像細節保真與風格統一。

這一結構打破了傳統 pipeline 模型中“理解”和“生成”各自為政的問題，使模型在執行復雜編輯指令時具備更高的準確性與控制力。

Step1X-Edit 架構

04

訓練數據與評測結果

為了支持廣泛、復雜的圖像編輯任務，Step1X-Edit 構建了業內規模領先的圖像編輯訓練數據集，共生成 2000 萬條圖文指令三元組，最終保留超過 100 萬高質量樣本。數據覆蓋 11 類核心任務類型，包括文字替換、動作生成、風格遷移、背景調整等高頻需求，任務類型分布均衡，指令語言自然真實。

Sub-Task Distribution：數據集任務分布與樣本結構占比

在圖像編輯的 11 個細分任務中，Step1X-Edit 始終維持高質量輸出，能力分布最均衡，幾乎在所有任務維度上穩居前列，展現出強大的通用性與均衡性。

圖像編輯模型11類細分任務能力分布對比

模型評測采用自研 GEdit-Bench 基準，區別于人工合成的任務集合，該基準來源于社區真實編輯請求，更貼近產品化需求。

Step1X-Edit 在 GEdit-Bench 的三項核心指標中均大幅領先現有開源模型，表現接近 GPT-4o，在語言理解與圖像重構之間實現理想平衡。

GEdit-Bench 量化評測結果對比