小鹏发布TuringViT视觉编码器，重构视觉大模型训练范式

小鹏发布TuringViT视觉编码器，以“十分之一数据，更优效果”挑战行业主流，推动视觉大模型从“堆数据”转向“用优质监督”。

• TuringViT从架构、数据、训练三个维度突破，采用“线性注意力主导+高质量数据治理+原生动态分辨率”技术体系，实现效果、效率与落地性三重提升。
• 推出18L和24L两个规格，在高分辨率下延迟增长远平缓于标准softmax ViT，1536×1536分辨率下推理吞吐量达Seed1.5-ViT的3.04倍，为端侧部署扫清障碍。
• 打造VISTA-Curation多模态数据治理流水线，通过三步筛选（低质量过滤、多样化字幕生成与交叉验证、综合打分）提升单样本监督价值，仅用0.85B图文对（约SigLIP2-L训练数据的10%）便在六项零样本分类基准上平均准确率83.6%，超越使用10B数据的基线。
• 采用四阶段渐进式原生动态分辨率训练范式，从预训练之初适配下游VLM/VLA输入特性，告别固定分辨率限制。
• 影响/看点：TuringViT不仅支撑小鹏智能驾驶、智能座舱和人形机器人三大业务，更为行业提供了一条可复现、低成本训练SOTA视觉Transformer的技术路径，推动先进视觉大模型从“头部团队专属”走向“行业普惠”。

本内容由 AI 生成，仅供参考，请注意甄别