小鹏发布TuringViT视觉编码器，欲打破大模型"算力垄断"

视觉大模型领域长期存在一道隐形门槛：想要达到顶尖效果，必须先囤积海量数据和算力资源。这使得先进视觉能力成为少数头部团队的"专属玩具"。7月21日，小鹏集团发布TuringViT高效视觉编码器，声称从架构、数据范式到训练流程进行了系统性重构，为行业提供了一条可复现、低成本的SOTA级视觉Transformer训练路径。

TuringViT的定位明确：面向VLM（视觉语言模型）与VLA（视觉语言动作模型）时代，支撑智能驾驶、智能座舱和IRON人形机器人三大业务场景。该技术从架构、数据、训练三个维度同步突破，构建了线性注意力主导、高质量数据治理、原生动态分辨率三位一体的技术体系。

架构方面，TuringViT推出两个规格版本。TuringViT-18L包含3组Turing Block，合计15层TLA加3层MHA，主打动态分辨率下的高效部署；TuringViT-24L包含4组Turing Block，合计20层TLA加4层MHA，在保持线性计算主导的前提下进一步提升表征能力。实测数据显示，随着输入分辨率升高，TuringViT的延迟增长曲线远比标准softmax ViT平缓。在1536×1536分辨率下，TuringViT-18L的推理吞吐量达到Seed1.5-ViT的3.04倍，相比SigLIP2-ViT-L提升2.16倍。

与行业堆砌数据规模的路线不同，TuringViT的重点在于数据治理。其打造的VISTA-Curation多模态数据治理流水线，通过提升单样本的监督价值实现数据效率跃升。针对图文数据，该流水线分三步筛选：过滤低质量图片；用多模型、多提示词生成候选字幕并交叉验证视觉一致性；按图文对齐度、文本信息量与歧义度综合打分，筛选优质标注。针对视频数据，流水线将长视频切分为连续短片段，通过语义一致性与运动一致性双重过滤保留有效片段，再融合局部帧级细节字幕与全局时序语义字幕，生成具备变换感知能力的视频标注。

数据效率的提升直接反映在成绩上。TuringViT仅用0.85B图文对，约为SigLIP2-L训练数据规模的十分之一，却在ImageNet-1K等六项零样本分类基准上取得83.6%的平均准确率，超越使用10B数据训练的主流开源基线；在COCO与Flickr30K图文检索任务上同样表现突出。

训练流程方面，TuringViT采用四阶段渐进式原生动态分辨率训练范式，从预训练第一天起就适配下游VLM与VLA的输入特性，告别了固定分辨率预训练再加事后适配的传统模式。

目前，该编码器已在小鹏技术体系内明确落地。在智能驾驶领域，它是第二代VLA模型的核心视觉编码器，负责处理多路环视摄像头的高分辨率、多帧动态道路场景输入；面向智能座舱，其VLM原生特性让视觉特征与语言模型实现更高效对齐；在小鹏IRON人形机器人体系中，它提供物体细粒度识别、空间关系理解、可操作区域检测和动态环境追踪等基础感知能力。项目主页已上线 https://turingvit.github.io/。