智東西
作者 高遠(yuǎn)矚
編輯 程茜

智東西4月29日消息，今天，階躍星辰正式發(fā)布新一代圖像編輯生成模型Step Image Edit 2。

該模型參數(shù)量?jī)H3.5B，在輕量級(jí)圖像編輯評(píng)測(cè)基準(zhǔn)KRIS-Bench中綜合排名第一，支持文生圖、中英文渲染、局部編輯、視覺推理、主體一致性及風(fēng)格遷移，可廣泛用于IP創(chuàng)作、海報(bào)設(shè)計(jì)、漫畫生成、人像美顏、旅游修圖等場(chǎng)景。

API定價(jià)0.02元/張，公測(cè)期（4月28日至5月5日）限免體驗(yàn)。

在官方放出的速度對(duì)比視頻中，Step Image Edit 2完成一次文生圖片僅需0.7秒，而國內(nèi)閉源SOTA模型耗時(shí)7秒，開源20B級(jí)模型耗時(shí)12秒，開源同量級(jí)4B模型則耗時(shí)0.6秒。

▲各模型文生圖速度對(duì)比（來源：階躍星辰官方視頻）

智東西第一時(shí)間上手實(shí)測(cè)。總體來看，Step Image Edit 2在風(fēng)格遷移的品牌VI排版上有驚喜，但在中文漢字渲染、空間方位理解、復(fù)雜指令執(zhí)行穩(wěn)定性上存在明顯不足。

官方體驗(yàn)入口：https://platform.stepfun.com/console-tools

一、架構(gòu)數(shù)據(jù)雙突破：小參數(shù)如何挑戰(zhàn)大模型？

Step Image Edit 2主打“小身材、大能力、快響應(yīng)”，參數(shù)量雖小，Step Image Edit 2在技術(shù)層面下了功夫。

據(jù)階躍星辰介紹，核心支撐來自兩項(xiàng)創(chuàng)新：

一是多專家驅(qū)動(dòng)的自演化學(xué)習(xí)。思路可概括為“分頭探索、集中聚合”。先從基座模型衍生多個(gè)細(xì)分任務(wù)專家分支進(jìn)行差異化訓(xùn)練，再通過迭代式自蒸餾將知識(shí)聚合回基座，在不增加參數(shù)量的前提下逼近大模型的表現(xiàn)水平。

二是分布匹配強(qiáng)化學(xué)習(xí)（DARL）。傳統(tǒng)強(qiáng)化學(xué)習(xí)依賴稀疏獎(jiǎng)勵(lì)信號(hào)，模型容易跑偏。階躍的做法是讓模型當(dāng)前的輸出分布與參考分布對(duì)齊，以分布差距作為稠密獎(jiǎng)勵(lì)信號(hào)，使訓(xùn)練更平穩(wěn)、泛化能力更強(qiáng)。

數(shù)據(jù)層面，Step Image Edit 2在圖像編輯能力上投入了超五千萬規(guī)模的專項(xiàng)訓(xùn)練數(shù)據(jù)，融合真實(shí)場(chǎng)景挖掘、定向合成與高質(zhì)量開源數(shù)據(jù)三路來源，并針對(duì)文字編輯這一行業(yè)難點(diǎn)，自研排版系統(tǒng)生成約兩千萬條專項(xiàng)數(shù)據(jù)。

數(shù)據(jù)質(zhì)控上構(gòu)建了“智能體自動(dòng)清洗—大模型全局評(píng)估—人工精細(xì)篩選”三級(jí)體系。

二、中文海報(bào)極限測(cè)試：4個(gè)文字區(qū)域同時(shí)排版，模型沒完全接住

我們通過階躍星辰開放平臺(tái)在線體驗(yàn)，首先復(fù)現(xiàn)了官方演示中最具挑戰(zhàn)性的中文海報(bào)排版任務(wù)。官方視頻中展示了兩個(gè)復(fù)雜的中文海報(bào)案例，效果相當(dāng)驚艷。

▲Step Image Edit 2的中文海報(bào)極限測(cè)試（來源：階躍星辰官方視頻）

但實(shí)際測(cè)試下來，情況要復(fù)雜得多。

實(shí)測(cè)案例：陶罐變手袋 + 四行文字混排

提示詞：

一張黑白線稿風(fēng)格但帶高光質(zhì)感的海報(bào)。畫面左側(cè)擺放三個(gè)傳統(tǒng)陶罐，其中中間的那個(gè)陶罐被替換成一個(gè)奢侈品牌手袋（造型像陶罐但表面有皮革紋理和高光）。所有物品使用黑色雕刻線條表現(xiàn)，但在手袋和蔬菜部分加入細(xì)膩的高光。構(gòu)圖：頂部居中粗體大寫標(biāo)題「LUXURY DAILY」；底部居中副標(biāo)題「CRAFTING VALUE FROM NOTHING」；右側(cè)豎排文字「日常即奢侈」；右下角有一個(gè)超大漢字「物」。整體要求：傳統(tǒng)與奢侈的視覺沖突，線條硬朗，高光精致。

實(shí)測(cè)結(jié)果：

我們針對(duì)這個(gè)提示詞連續(xù)生成了三次，耗時(shí)分別為11.33秒、7.98秒和21.31秒，三次生成暴露了模型三個(gè)維度的反復(fù)偏差：

偏差一：方位理解錯(cuò)誤（三次全錯(cuò)）
提示詞明確要求將“中間的那個(gè)陶罐”替換為手袋，但三次生成中，模型每次都將最右邊的陶罐變成了手袋。左、中、右的空間方位關(guān)系，模型完全沒有理解。

▲Step Image Edit 2第一次執(zhí)行中文海報(bào)極限測(cè)試

偏差二：“華”字錯(cuò)筆（三次全錯(cuò)）
三次生成的圖片中，第二個(gè)“奢華”里的“華”字，下方都多出了一橫，說明模型存在漢字生成缺陷。

偏差三：蔬菜缺失（僅第一次）
第一次生成的畫面中完全沒有出現(xiàn)提示詞要求的“蔬菜”，后兩次生成則成功補(bǔ)上了蔬菜。說明模型在執(zhí)行多要素的復(fù)雜指令時(shí)，生成的結(jié)果并不穩(wěn)定。

▲Step Image Edit 2第二、三次執(zhí)行中文海報(bào)極限測(cè)試

小結(jié)：

后兩次生成雖然補(bǔ)齊了蔬菜，文字布局也基本完整，但方位錯(cuò)誤和“華”字錯(cuò)筆在所有三次結(jié)果中持續(xù)出現(xiàn)，未得到修正。

綜合來看，官方視頻中展示的中文海報(bào)極限測(cè)試效果，在實(shí)際測(cè)試中打了折扣。模型在空間定位和漢字生成時(shí)，能力仍不穩(wěn)定。

三、跨物種身份遷移？“貓變?nèi)恕蔽宕尾懦烧?/p>

官方演示中有一個(gè)很有趣的任務(wù)：上傳一只貓的照片，并輸入“這是我的貓，年齡3歲，13斤，女。請(qǐng)將以上信息，按照將貓咪替換成對(duì)應(yīng)的人類女生形象。”

▲Step Image Edit 2執(zhí)行“貓變?nèi)恕比蝿?wù)（來源：階躍星辰官方視頻）

我們用不同的貓圖實(shí)測(cè)了這個(gè)任務(wù)，提示詞與官方一樣，卻連續(xù)生成了五次才成功。

第一次生成：畫面中只有原貓，完全沒有人的出現(xiàn)，模型忽略了替換的指令。

第二次生成：模型直接將人的臉“安”在了貓的身體上，輸出了一個(gè)貓身人面的怪異形象。

第三次生成：輸出了一張人抱著貓的合影，人倒是正常了，但懷里抱的正是原圖中的那只貓，并沒有實(shí)現(xiàn)“貓咪替換成人類女生”。

第四次生成：依然是人與貓合影，但這次貓的品種與原圖不一致，仍然沒有完成替換。

第五次生成：終于成功，模型輸出了一張完整的人類女生形象，人物姿態(tài)自然，無貓?jiān)貧埩簟?/p>

小結(jié)：
五次嘗試才成功一次，成功率20%。前四次失敗分別暴露了不同層面的理解偏差：完全忽略指令、把“替換”理解成“融合”（人面貓身）、把“替換”理解成“抱著原貓”、把“替換”理解成“換一只貓抱著”。

這說明模型在執(zhí)行需要多層語義理解的復(fù)雜指令時(shí)，穩(wěn)定性遠(yuǎn)遠(yuǎn)不夠，往往需要反復(fù)嘗試才能出現(xiàn)理想效果。

四、10種風(fēng)格一鍵切換+品牌VI設(shè)計(jì)：漢字再出錯(cuò)？

我們固定一張風(fēng)景照片，分別輸入“轉(zhuǎn)成水墨風(fēng)格”“轉(zhuǎn)成賽博朋克風(fēng)格”“轉(zhuǎn)成油畫風(fēng)格”。

▲Step Image Edit 2執(zhí)行風(fēng)格遷移（來源：階躍星辰官方視頻）

平均生成耗時(shí)約12秒，高于官方宣稱的0.5-2秒范圍，推測(cè)與1024分辨率及復(fù)雜場(chǎng)景有關(guān)。

▲Step Image Edit 2執(zhí)行三種風(fēng)格遷移

不過模型在三者之間切換流暢，水墨風(fēng)格的留白與暈染、賽博朋克的霓虹色調(diào)、油畫的筆觸質(zhì)感均較為明顯，主體內(nèi)容保持一致。

同時(shí)，我們嘗試了品牌VI設(shè)計(jì)任務(wù)。

▲Step Image Edit 2進(jìn)行品牌VI設(shè)計(jì)（來源：階躍星辰官方視頻）

提示詞為：為品牌“太陽咖啡”設(shè)計(jì)一套品牌VI，包括標(biāo)志、名片、包裝袋，風(fēng)格為極簡(jiǎn)現(xiàn)代。

模型生成了一張包含包裝袋（袋身印有品牌標(biāo)志）和名片的多元素畫面，但未出現(xiàn)官方視頻示例中的咖啡杯，并且名片上本應(yīng)是“太陽”二字被生成了“大陽”，又是漢字錯(cuò)誤。整體風(fēng)格為極簡(jiǎn)現(xiàn)代，符合提示詞的基本要求，生成耗時(shí)6.59秒。

▲Step Image Edit 2執(zhí)行品牌VI設(shè)計(jì)

結(jié)語：技術(shù)架構(gòu)有亮點(diǎn)，但實(shí)際表現(xiàn)稍遜

從技術(shù)層面看，Step Image Edit 2在多專家自演化學(xué)習(xí)和分布匹配強(qiáng)化學(xué)習(xí)上的探索值得關(guān)注。這兩項(xiàng)創(chuàng)新理論上確實(shí)可能實(shí)現(xiàn)“輕量級(jí)模型逼近大模型效果”，思路本身有可取之處。超五千萬專項(xiàng)訓(xùn)練數(shù)據(jù)、約兩千萬條文字編輯數(shù)據(jù)的投入，也體現(xiàn)了階躍對(duì)這項(xiàng)任務(wù)的重視。

輕量高效是行業(yè)發(fā)展的正確方向，但Step Image Edit 2的技術(shù)成熟度仍需打磨。期待其后續(xù)版本能在漢字書寫能力和復(fù)雜指令理解的穩(wěn)定性上補(bǔ)齊短板，真正兌現(xiàn)“小身材、大能力、快響應(yīng)”的承諾。