Step1X-Edit v1.2：开源图像编辑模型的推理革命，性能逼近GPT-4o-开发者社区

Step1X-Edit v1.2：开源图像编辑模型的推理革命，性能逼近GPT-4o

【免费下载链接】Step1X-Edit-v1p2-preview项目地址: https://ai.gitcode.com/StepFun/Step1X-Edit-v1p2-preview

导语

2025年9月，StepFun（阶跃星辰）正式发布图像编辑模型Step1X-Edit v1.2预览版，通过引入「推理+反思」双机制，在KRIS-Bench知识编辑基准上实现55.64的综合评分，较上一代提升7.8%，部分指标已接近GPT-4o等闭源模型水平。

行业现状：开源与闭源的技术鸿沟

当前图像编辑领域呈现「两极化」发展态势：以GPT-4o和Gemini2 Flash为代表的闭源模型凭借千亿参数规模和海量数据，在复杂指令理解和编辑精度上占据绝对优势，但高昂的API调用成本（单次编辑约0.05-0.2美元）限制了中小企业应用；而开源模型如AnyEdit、OmniGen虽免费可用，却普遍存在语义一致性差（GEdit-Bench语义得分不足7分）、细节丢失严重等问题。

上海AI实验室2025年5月发布的报告显示，现有开源模型在处理「修改照片中T恤上的文字为手写体并保持褶皱质感」这类复合指令时，成功率不足30%。行业亟待兼具高精度与低成本的开源解决方案。

核心亮点：推理编辑范式的三大突破

1. 原生推理编辑架构（Thinking+Reflection）

Step1X-Edit v1.2首创「指令解析→推理规划→执行反思」三阶段编辑流程：

思维链解析：采用7B参数的Qwen-VL多模态模型将自然语言指令分解为逻辑步骤（如"将晴天改为黄昏"→"调整色温至2700K→添加橙红色霞光→保留前景物体阴影"）
反思修正机制：对生成结果进行自动校验，通过对比原始图像与编辑指令的语义差异，动态调整扩散模型的注意力权重

在KRIS-Bench知识编辑任务中，该机制使模型在事实性知识维度得分提升18.6%（从53.05→62.94），概念性知识维度提升13.8%（54.34→61.82）。

2. GEdit-Bench基准上的开源SOTA表现

StepFun自研的GEdit-Bench基准基于1000条真实用户指令构建，覆盖11类编辑场景。v1.2版本在关键指标上全面超越开源竞品：

如上图所示，Step1X-Edit v1.2在GEdit-Bench的G_SC（全局语义一致性）指标达到8.14分，较v1.1提升6.3%，超过OmniGen（6.89分）18.1%。特别在「风格迁移」任务中，模型实现7.20分的用户偏好评分，接近GPT-4o的7.43分。

3. 轻量化部署与多场景适配

模型采用19B参数的混合架构（7B MLLM+12B DiT），支持：

单GPU实时推理（NVIDIA RTX 4090下生成512x512图像耗时约2.3秒）
11类编辑任务统一处理：从简单的颜色调整到复杂的"将城市街景转换为赛博朋克风格同时保留建筑轮廓"
开源生态兼容：提供Diffusers API和ComfyUI插件，开发者可通过以下命令快速部署：

git clone -b dev/MergeV1-2 https://gitcode.com/StepFun/Step1X-Edit-v1p2-preview cd Step1X-Edit-v1p2-preview pip install -e .

技术架构：多模态融合的创新设计

Step1X-Edit v1.2的核心突破在于多模态信息的深度融合机制：该架构创新性地将MLLM生成的编辑指令token与VAE编码的图像token在 latent 空间直接拼接，避免了传统方法中模态转换导致的信息损失。通过这种"即插即用"的设计，模型可无缝集成SD3、FLUX等主流扩散模型作为后端解码器，灵活性显著优于专用编辑模型。