小鹏汽车发布TuringViT视觉编码器 面向物理AI场景重构视觉大模型训练范式

盖世汽车获悉 近日，小鹏汽车正式发布TuringViT高效视觉编码器。该系统针对VLM/VLA时代视觉编码器的架构设计、数据范式与训练流程进行了系统性重构，将支撑智能驾驶、智能座舱及IRON人形机器人三大业务场景。

图片来源：小鹏汽车

当前行业普遍采用的复用开源通用ViT方案，在高分辨率、多视角、连续视频帧等真实场景下面临算力成本、数据效率与场景适配三重瓶颈。TuringViT从架构、数据、训练三个维度同步推进，提出了相应的技术路径。

架构方面，TuringViT采用Turing线性注意力作为核心计算单元，构建了混合Turing Block架构，以线性注意力承担主要全局上下文聚合工作，计算复杂度从二次方降至近线性。实测显示，1536×1536分辨率下，TuringViT-18L推理吞吐量达到Seed1.5-ViT的3.04倍。该系统提供18L和24L两个规格版本。

数据方面，TuringViT打造了VISTA-Curation多模态数据治理流水线，通过图文和视频数据的多阶段筛选与标注优化，提升单样本监督价值。该系统仅使用0.85B图文对完成训练，约为SigLIP2-L训练数据规模的10%，在ImageNet-1K等六项零样本分类基准上取得83.6%的平均准确率。

训练方面，TuringViT采用四阶段渐进式原生动态分辨率训练范式，从预训练阶段即适配下游VLM/VLA的输入特性，配合二维旋转位置编码，支持不同尺寸与长宽比的输入。

应用层面，TuringViT将作为小鹏第二代VLA模型的核心视觉编码器，负责处理多路环视摄像头输入；在智能座舱场景中支撑视觉与语言模型的对齐；同时为IRON人形机器人提供物体识别、空间关系理解等基础感知能力。小鹏表示，该系统的架构设计与训练流程不依赖特定硬件平台，可为行业提供可复现的视觉大模型训练路径。