小鹏发布 TuringViT 视觉编码器，以十分之一数据超越主流基线

小鹏集团发布了 TuringViT，这是一种面向 VLM/VLA 时代的高效视觉编码器。该编码器从架构、数据和训练三个维度进行系统性重构，旨在支撑智能驾驶、智能座舱和人形机器人三大业务场景。TuringViT 推出了 18L 和 24L 两个版本，在高分辨率下展现出显著的效率优势，例如在 1536×1536 分辨率下，其推理吞吐量达到 Seed1.5-ViT 的 3.04 倍。

TuringViT 的核心创新在于其 VISTA-Curation 数据治理流水线，该流水线通过精细化筛选和高质量标注，仅使用 0.85B 图文对（约为同类模型训练数据的 10%），便在多项零样本分类基准上取得了平均 83.6%的准确率，超越了使用 10B 数据训练的基线模型。在图文检索任务上也表现优异。此外，其四阶段渐进式训练范式让模型从预训练初期就适配下游应用。

TuringViT 在小鹏的技术体系中扮演关键角色：在智能驾驶领域，它是第二代 VLA 模型的核心视觉编码器；在智能座舱中，它提升了视觉与语言模型的对齐效率；在 IRON 人形机器人上，它充当“视觉视网膜”，提供物体识别、空间理解等基础感知能力。