小鹏发布TuringViT：打造物理AI统一感知底座 为智能驾驶等三大业务提供支撑

凤凰网科技讯 7月21日，小鹏集团正式发布TuringViT高效视觉编码器，面向VLM/VLA时代系统性重构了视觉编码器的架构设计、数据范式与训练流程。该编码器将全面支撑小鹏智能驾驶、智能座舱及IRON人形机器人三大业务场景。

TuringViT的核心技术创新包括三个方面：

Turing线性注意力架构：采用“5层线性注意力+1层标准多头注意力”的混合Turing Block架构，将计算复杂度从二次方降至近线性。实测显示，在1536×1536分辨率下，TuringViT-18L推理吞吐量达到Seed1.5-ViT的3.04倍，为高分辨率感知、多摄像头输入的端侧部署扫清了算力障碍。

VISTA-Curation数据治理：通过三步精细化筛选（质量过滤、多样化字幕生成与交叉验证、综合评分排序），仅用0.85B图文对（约SigLIP2-L训练数据的10%），便在ImageNet-1K等零样本分类基准上取得83.6%平均准确率，超越使用10B数据训练的主流开源基线。

原生动态分辨率训练：采用四阶段渐进式训练范式（视觉初始化→范围受限动态分辨率→原生分辨率精调→图文视频混合训练），从预训练阶段就适配下游VLM/VLA的输入特性，无需事后适配。

小鹏表示，TuringViT的价值在于为行业提供了一条可复现、低成本训练SOTA级视觉Transformer的技术路径，推动先进视觉大模型从“头部团队专属”走向“行业普惠”。相关论文及代码已同步公开。