阶跃星辰宣布开源图像编辑大模型 Step1X-Edit，性能达到开源 SOTA。
根据介绍，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”。”
阶跃星辰方面表示，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。
模型特点
- 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。
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。
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。
测评结果表明，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。
更多详情可查看官方公告。
