鳳凰網科技訊 7月21日，小鵬集團正式發布TuringViT高效視覺編碼器，面向VLM/VLA時代系統性重構了視覺編碼器的架構設計、數據範式與訓練流程。該編碼器將全面支撐小鵬智能駕駛、智能座艙及IRON人形機器人三大業務場景。

TuringViT的核心技術創新包括三個方面：

Turing線性注意力架構：採用「5層線性注意力+1層標準多頭注意力」的混合Turing Block架構，將計算複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部署掃清了算力障礙。

VISTA-Curation數據治理：通過三步精細化篩選（質量過濾、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訓練數據的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數據訓練的主流開源基線。

原生動態分辨率訓練：採用四階段漸進式訓練範式（視覺初始化→範圍受限動態分辨率→原生分辨率精調→圖文視頻混合訓練），從預訓練階段就適配下游VLM/VLA的輸入特性，無需事後適配。

小鵬表示，TuringViT的價值在於為行業提供了一條可復現、低成本訓練SOTA級視覺Transformer的技術路徑，推動先進視覺大模型從「頭部團隊專屬」走向「行業普惠」。相關論文及代碼已同步公開。