Step1X-Edit – 图像编辑模型
软件简介
Step1X-Edit 是一个开源图像编辑模型，其性能可与 GPT-4o 和 Gemini2 Flash 等闭源模型相媲美。
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。
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。
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。
