鳳凰網(wǎng)科技訊 7月21日，小鵬集團（XPEV）正式發(fā)布TuringViT高效視覺編碼器，面向VLM/VLA時代系統(tǒng)性重構(gòu)了視覺編碼器的架構(gòu)設(shè)計、數(shù)據(jù)范式與訓(xùn)練流程。該編碼器將全面支撐小鵬智能駕駛、智能座艙（886059）及IRON人形機器人（886069）三大業(yè)務(wù)場景。

TuringViT的核心技術(shù)創(chuàng)新包括三個方面：

Turing線性注意力架構(gòu)：采用“5層線性注意力+1層標準多頭注意力”的混合Turing Block（XYZ）架構(gòu)，將計算復(fù)雜度從二次方降至近線性。實測顯示，在1536×1536分辨率下，TuringViT-18L推理吞吐量達到Seed1.5-ViT的3.04倍，為高分辨率感知、多攝像頭輸入的端側(cè)部署掃清了算力障礙。

VISTA-Curation數(shù)據(jù)治理：通過三步精細化篩選（質(zhì)量過濾、多樣化字幕生成與交叉驗證、綜合評分排序），僅用0.85B圖文對（約SigLIP2-L訓(xùn)練數(shù)據(jù)的10%），便在ImageNet-1K等零樣本分類基準上取得83.6%平均準確率，超越使用10B數(shù)據(jù)訓(xùn)練的主流開源基線。

原生動態(tài)分辨率訓(xùn)練：采用四階段漸進式訓(xùn)練范式（視覺初始化→范圍受限動態(tài)分辨率→原生分辨率精調(diào)→圖文視頻混合訓(xùn)練），從預(yù)訓(xùn)練階段就適配下游VLM/VLA的輸入特性，無需事后適配。

小鵬表示，TuringViT的價值在于為行業(yè)提供了一條可復(fù)現(xiàn)、低成本訓(xùn)練SOTA級視覺Transformer的技術(shù)路徑，推動先進視覺大模型從“頭部團隊專屬”走向“行業(yè)普惠”。相關(guān)論文及代碼已同步公開。