Step1X-Edit 图像编辑模型

是什么

Step1X-Edit 是 StepFun 于 2025 年 4 月 25 日发布的开放图像编辑模型。发布时一并给出了推理代码、模型权重、技术报告，以及一个名为 GEdit-Bench 的评测集^[1]。技术报告的编号为 arXiv:2504.17761^[2]。这些内容以 Apache 2.0 许可公开^[1]。代码与权重放出一天之后，2025 年 4 月 26 日，在线演示上线^[1]。

怎么工作

模型把编辑任务拆给两个部件。一个多模态大语言模型（multimodal LLM）同时读入参考图和编辑指令，它产生的潜变量嵌入（latent embedding）被送入扩散图像解码器（diffusion image decoder），由后者生成编辑后的图像^[1]。

通俗地说，语言模型那一半负责弄清用户要改什么、改哪里，扩散那一半负责把这份理解变成像素。扩散模型从噪声出发反复去噪，每一步都朝着目标图像靠拢，而这里的目标由语言模型给出的嵌入来决定，因此指令贯穿整个生成过程，而不是生成完之后再补一道处理。这样拆分的好处是，指令理解可以当作语言加图像的理解问题来处理，画面质量则交给专门负责生成的解码器。通用编辑模型要用同一套权重应付各种不同的指令，把指令解析交给语言模型，比给每种编辑单独做模块更省事。

评测集与版本

GEdit-Bench 随模型一起发布，它建立在真实用户的编辑指令之上，而不是合成的提示词^[2]；其中的 G_ 系列指标由 GPT-4.1 打分^[1]。在评测集的综合分 G_O 上，1.0 版本为 6.44^[1]。

2025 年 7 月 9 日发布的 1.1 版本增加了文生图能力，并提升了编辑质量，G_O 为 6.97^[1]。

2025 年 9 月 8 日出现 1.2 预览版，带来原生的基于推理的编辑，G_O 为 7.42^[1]。完整版 1.2 于 2025 年 11 月 26 日发布，在其论文中称为 ReasonEdit-S，G_O 为 7.24；带 thinking 与反思时为 7.58，而 1.2 带 thinking 的成绩为 7.36^[1]。把这些版本连起来看，既能看到编辑质量的抬升，也能看到思路上的变化：先让模型对一次编辑做推理，再产出图像。

微调与使用

2025 年 5 月 22 日，模型加入 LoRA 微调支持，可以在单张 24GB 显卡上完成微调，同一次发布还包含一个用于修正动漫角色手部绘制的 LoRA^[1]。配合 Apache 2.0 许可与公开权重^[1]，研究者和小团队不必依赖大规模集群就能改造模型，把它调到自己的题材或风格上。同时放出评测集，也让后续版本之间、以及与外部模型之间的比较有了共同口径。

在发展中的位置

技术报告的摘要称，其表现可与 GPT-4o、Gemini 2 Flash 等闭源模型相比^[2]，这是论文作者自己给出的判断；前文那些分数则来自项目自带的 GEdit-Bench，比较时仍需看清所用的评测集和任务。2026 年 4 月 29 日，StepFun 公布了 Step Image Edit 2，那是其开放平台上另外做的一个轻量托管模型，并不是 Step1X-Edit 的新版本^[1]。