小鹏集团发布TuringViT重构视觉大模型训练范式

小鹏集团今天发布了一款名为 TuringViT 的高效视觉编码器，这可不是一次普通的迭代——它从架构设计、数据范式到训练流程，几乎是针对 VLM/VLA 时代做的系统性重构。

有意思的是，TuringViT 的定位不仅仅局限于智能驾驶。根据官方说法，它将全面支撑智能驾驶、智能座舱，以及小鹏的 IRON 人形机器人这三个业务场景。换句话说，这是一个为“视觉大模型普惠化”铺路的技术路径，目标是把过去只有头部团队才能玩转的 SOTA 级视觉 Transformer，推向更广泛的行业应用。

▲ TuringViT 的块架构和模型配置

从技术层面来看，TuringViT 的突破点是“线性注意力主导 + 高质量数据治理 + 原生动态分辨率”这三个维度的同步推进。简单说，就是既要效果好，又要反赌，还得能落地。

它目前推出了两个规格版本：

一个是 TuringViT-18L，包含 3 组 Turing Block（共 15 层 TLA + 3 层 MHA），主打动态分辨率下的高效部署；另一个是 TuringViT-24L，包含 4 组 Turing Block（共 20 层 TLA + 4 层 MHA），在保持线性计算主导的前提下，进一步提升了表征能力。

实测数据很能说明问题。随着输入分辨率提升，TuringViT 的延迟增长曲线比标准 softmax ViT 平缓得多，高分辨率下的效率优势愈发显著。在 1536×1536 分辨率下，TuringViT-18L 的推理吞吐量达到了 Seed1.5-ViT 的 3.04 倍，相比 SigLIP2-ViT-L 也提升了 2.16 倍。这个成绩，直接为高分辨率感知、多摄像头输入、长时序视频处理的端侧部署扫清了核心障碍。

不过，真正值得关注的，是它在数据方面的思路。行业里常见的做法是“堆数据规模”，但 TuringViT 走了一条完全不同的路。它打造了一套名为 VISTA-Curation 的多模态数据治理流水线，核心逻辑是：通过提升单样本的监督价值，实现数据效率的量级提升——从“用更多数据”转向“用更优质的监督”。

针对图文数据，这套流水线通过三步精细化筛选来保证质量：

第一步，过滤掉低分辨率、模糊、低纹理的低质量图片；第二步，通过多模型、多提示词生成多样化候选字幕，并交叉验证视觉一致性；第三步，在统一对比池中，根据相对图文对齐度、文本信息量、歧义度综合打分，筛选出视觉贴合度高、语义信息密度高的优质标注，同时淘汰掉那些模糊、泛化、弱对齐的样本。

▲ 图像-文本筛选及处理流程

针对视频数据，流水线同样进行了全流程治理：先是将长视频切分为连续短片段并均匀采样代表帧；再通过语义一致性与运动一致性双重过滤，保留语义连贯、变化信息有效的片段；最后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，让模型能从连续画面中学习更鲁棒的视觉表征。

▲ 视频-语义筛选及处理流程

最终结果很有说服力：TuringViT 仅用 0.85B 图文对进行训练（这大约是 SigLIP2-L 训练数据规模的 10%），就在 ImageNet-1K 等六项零样本分类基准上，取得了 83.6% 的平均准确率，超越了使用 10B 数据训练的主流开源基线。在 COCO、Flickr30K 图文检索任务上，优势同样显著——这才是真正的“十分之一数据，更优效果”。

此外，TuringViT 还采用了四阶段渐进式原生动态分辨率训练范式。从预训练之初就适配下游 VLM/VLA 的输入特性，彻底告别了“固定分辨率预训练 + 事后适配”的传统模式。

在应用场景上，TuringViT 的布局相当清晰：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，为预测式世界模型提供视觉 token；在智能座舱与驾泊一体化场景中，它的 VLM 原生特性让视觉特征与语言模型实现了更高效的对齐，能提供更高的识别精度，以及不同画幅和比例的视觉输入，支撑更多未来车辆与用户的交互功能；而在小鹏 IRON 人形机器人的技术体系中，TuringViT 则充当着“视觉视网膜”的核心角色，为具身智能提供物体细粒度识别、空间关系理解、可操作区域检测、动态环境追踪等基础感知能力。