Still-Moving是DeepMind推出的AI视频生成框架，支持用户定制文本到视频(T2V)模型，无需特定视频数据。通过训练轻量级的空间适配器，Still-Moving能在静止图像上调整T2I模型的特征，以与T2V模型的运动特性相匹配。
StereoCrafter是腾讯AI Lab和ARC Lab共同推出的创新框架，能将单目视频（2D视频）转换为立体3D视频，满足日益增长的3D内容需求。StereoCrafter基于深度估计、视频splatting和立体视频修复三个核心步骤，实现高保真度的2D到3D视频转换。
Step1X-Edit 是阶跃星辰团队推出的通用图像编辑框架，能缩小开源图像编辑模型与闭源模型（如 GPT-4o 和 Gemini2 Flash）之间的性能差距。Step1X-Edit结合多模态大语言模型（MLLM）和扩散模型，基于处理参考图像和用户的编辑指令，提取潜在嵌入并生成目标图像。
Step1X-3D 是StepFun联合LightIllusions推出的高保真、可控的 3D 资产生成框架。基于严格的数据整理流程，从超过 500 万个 3D 资产中筛选出 200 万个高质量数据，创建标准化的几何和纹理属性数据集。
Step-Video-TI2V 是阶跃星辰（StepFun）推出的开源图生视频（Image-to-Video）生成模型，拥有 300 亿参数，能根据文本描述和图像输入生成最长 102 帧的视频。模型基于深度压缩的变分自编码器（Video-VAE），实现了 16×16 的空间压缩和 8× 的时间压缩，显著提高了训练和推理效率。
Step-Video-T2V 是阶跃星辰团队推出的开源文本到视频预训练模型，拥有 300 亿参数，能生成长达 204 帧的高质量视频。模型基于深度压缩的变分自编码器（Video-VAE），实现 16×16 的空间压缩和 8× 的时间压缩，显著提高了训练和推理效率。
Step-Video V2 是上海阶跃星辰智能科技发布的升级版视频生成模型。该版本在多个核心技术领域进行了优化和创新，采用了更高压缩比的VAE模型以及深度优化的DiT架构，引入强化学习算法。能生成复杂的动态场景，如芭蕾舞、空手道等，同时支持丰富的镜头语言和基础文字生成。
Step-R1-V-Mini 是阶跃星辰最新推出的多模态推理模型。支持图文输入和文字输出，具备良好的指令遵循和通用能力，能高精度感知图像完成复杂推理任务。模型在视觉推理领域表现突出，同时在数学、代码和文本推理方面也处于第一梯队。
Step-Audio-TTS-3B 是 Stepfun-AI 团队推出的高性能文本到语音（TTS）模型，具有强大的语音合成能力。基于海量合成数据训练，参数量达到30亿，能生成自然流畅、富有表现力的语音。
Step-Audio-AQAA 是 StepFun 团队推出的端到端大型音频语言模型，专门用于音频查询-音频回答（AQAA）任务。能直接处理音频输入生成自然、准确的语音回答，无需依赖传统的自动语音识别（ASR）和文本到语音（TTS）模块，简化了系统架构并消除了级联错误。
Step-Audio是阶跃星辰团队推出的首个产品级的开源语音交互模型，能根据不同的场景需求生成情绪、方言、语种、歌声和个性化风格的表达，能和用户自然地进行高质量对话。Step-Audio基于130B参数的统一模型，将语音理解与生成相结合，支持语音识别、对话、语音合成等功能。
Step-2 mini 是阶跃星辰推出的轻量级极速大模型，基于新一代自研 Attention 架构 MFA 开发。仅用 3% 的参数量就保留了 Step-2 超过 80% 的性能，显著提升了生成速度和性价比。
Step-1o Vision 是阶跃星辰最新研发的原生端到端多模态生成与理解一体化模型中的视觉版本。专注于视觉任务，具备强大的图像识别、感知、推理和指令跟随能力，能处理复杂的视觉输入并生成准确的文本描述或进行逻辑推理。
Step-1o Audio是阶跃星辰推出的国内首个千亿参数端到端语音大模型。具备强大的情绪感知能力，能精准识别用户语气中的情感，结合语境做出贴心回应。
Step-1X 是阶跃星辰推出的AI图像生成大模型，采用自研的 DiT 架构，擅长深度语义理解和细节生成。Step-1X支持长达2000字符的复杂指令，能精准匹配图文，适用于广告创意、游戏美术、影视制作等多场景。Step-1X 特别优化了对中国元素和文化的理解，能更好地演绎中国文化精髓。用户可通过阶跃星辰开放平台体验其图像生成能力。
