阶跃星辰正式发布并开源图像编辑大模型 Step1X-Edit，性能达到开源 SOTA。该模型总参数量为 19B (7B MLLM + 12B DiT)，具备语义精准解析、身份一致性保持、高精度区域级控制三项关键能力；支持 11 类高频图像编辑任务类型，如文字替换、风格迁移、材质变换、人物修图等。
一句话总结：Step1X-Edit，不只能“改图”，更能“听得懂、改得准、保得住”。
开源链接与体验地址：
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
技术 Report：
https://arxiv.org/pdf/2504.17761
编辑效果演示：Step1X-Edit 支持各类编辑任务
Step1X-Edit 首次在开源体系中实现 MLLM 与 DiT 的深度融合，在编辑精度与图像保真度上实现大幅提升。在最新发布的图像编辑基准 GEdit-Bench 中，Step1X-Edit 在语义一致性、图像质量与综合得分三项指标上全面领先现有开源模型，比肩 GPT-4o 与 Gemini 2.0 Flash。
Step1X-Edit 现已上线阶跃AI 官网（stepfun.com）和阶跃App（应用商店搜索下载即可），欢迎体验。
-
高浓度的主流模型（如 DeepSeek 等）开发交流；
-
资源对接，与 API、云厂商、模型厂商直接交流反馈的机会；
-
好用、有趣的产品/案例，Founder Park 会主动做宣传。
模型特点与参数
Step1X-Edit 针对自然语言图像编辑任务，具备以下核心能力：
-
语义精准解析：支持自然语言描述的复杂组合指令，指令无需模板，能够灵活应对多轮、多任务编辑需求，同时支持对图像中文字进行识别、替换与重构；
-
身份一致性保持：编辑后能稳定保留人脸、姿态与身份特征，适用于虚拟人、电商模特、社交图像等高一致性场景；
-
高精度区域级控制：支持对指定区域进行文字、材质、色彩等定向编辑，保持图像风格统一，控制能力更精细。
编辑任务效果对比：Step1X-Edit 实现最佳编辑效果与原图一致性
案例上手
这个五一，不如试试用嘴改图，无论是修图，还是瘦身，都能一句话搞定。Step1X-Edit 已在【阶跃AI 网页端和阶跃AI App】上线，欢迎前往体验。
案例一：一句话P图
 原图 |
 编辑后 |
提示词：给小姐姐脖子上增加一条适合她的项链
 原图 |
 原图 |
提示词：把这个小女孩改成戴珍珠耳环的不高兴的少女，画风不变
案例二：物体/背景/材质，统统都能换
 原图 |
 编辑后 |
提示词：将月饼替换为包子
 原图 |
 编辑后 |
提示词：把图里的水果变成一朵花
案例三：一句话改海报文案
 原图 |
 编辑后 |
提示词：将“GREEN” 改成“阶 跃 A I”
案例四：玩转不同风格
 原图 |
 编辑后 |
提示词：以融合超现实主义、表现主义和天真艺术的风格重绘这幅图片，以近乎民俗的方式捕捉抽象人类情感和互动的简单性和复杂性。原始而有机的感觉，以孩子般的方式勾勒主体轮廓。采用原生艺术风格，使用对比和分层来创造混乱但有凝聚力的视觉冲击。俏皮地使用线条和颜色，主体元素既简单又富有象征意义。
 原图 |
 编辑后 |
提示词：创建一张色彩鲜艳的手工簇绒地毯图片，放置在简单的地板背景上。地毯设计大胆、有趣，具有柔软蓬松的质地和粗纱线细节。从上方拍摄，在自然日光下，带有略微古怪的 DIY 美学风格。色彩鲜艳、卡通轮廓、触感舒适的材料——类似于手工簇绒艺术地毯。
 原图 |
 编辑后 |
提示词：换成像素风格
 原图 |
 编辑后 |
提示词：将图片改为清晨
Step1X-Edit 采用 MLLM（Multimodal LLM）+ Diffusion 的解耦式架构，分别负责自然语言理解与高保真图像生成，相比现有图像编辑模型，该架构在指令泛化能力与图像可控性上更具优势。
-
MLLM 模块负责处理自然语言指令与图像内容，具备多模态语义理解能力，可将复杂编辑需求解析为 latent 控制信号；
-
Diffusion 模块作为图像生成器（Image Decoder），根据 MLLM 生成的 latent 信号完成图像的重构或局部修改，确保图像细节保真与风格统一。
这一结构打破了传统 pipeline 模型中“理解”和“生成”各自为政的问题，使模型在执行复杂编辑指令时具备更高的准确性与控制力。
Step1X-Edit 架构
训练数据与评测结果
为了支持广泛、复杂的图像编辑任务，Step1X-Edit 构建了业内规模领先的图像编辑训练数据集，共生成 2000 万条图文指令三元组，最终保留超过 100 万高质量样本。数据覆盖 11 类核心任务类型，包括文字替换、动作生成、风格迁移、背景调整等高频需求，任务类型分布均衡，指令语言自然真实。
Sub-Task Distribution：数据集任务分布与样本结构占比
在图像编辑的 11 个细分任务中，Step1X-Edit 始终维持高质量输出，能力分布最均衡，几乎在所有任务维度上稳居前列，展现出强大的通用性与均衡性。
图像编辑模型11类细分任务能力分布对比
模型评测采用自研 GEdit-Bench 基准，区别于人工合成的任务集合，该基准来源于社区真实编辑请求，更贴近产品化需求。
Step1X-Edit 在 GEdit-Bench 的三项核心指标中均大幅领先现有开源模型，表现接近 GPT-4o，在语言理解与图像重构之间实现理想平衡。
GEdit-Bench 量化评测结果对比
（文：Founder Park）