北京
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、數據范式與訓練流程。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：采用“5層線性注意力+1層標準多頭注意力”的混合Turing Block架構，將計算復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：采用四階段漸進式訓練范式（視覺初始化→范圍受限動態分辨率→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，無需事后適配。
小鵬表示，TuringViT的價值在于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。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
