小鹏集团于7月21日正式发布TuringViT高效视觉编码器，面向VLM与VLA时代，系统性重构视觉编码器的架构设计、数据范式与训练流程。该编码器将全面支撑智能驾驶、智能座舱与IRON人形机器人三大业务场景，同时为行业提供一条可复现、低成本训练SOTA级视觉Transformer的技术路径。
TuringViT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”的技术体系。在架构设计上，TuringViT推出两个规格版本。TuringViT-18L包含3组Turing Block，共15层TLA与3层MHA，主打动态分辨率下的高效部署。TuringViT-24L包含4组Turing Block，共20层TLA与4层MHA，在保持线性计算主导的前提下提升表征能力。实测数据显示，随着输入分辨率提升，TuringViT的延迟增长曲线远平缓于标准softmax ViT。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，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提供支持。
在数据治理层面，TuringViT采用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的量级提升。针对图文数据，流水线通过三步筛选：第一步过滤低分辨率、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通过相对图文对齐度、文本信息量、歧义度综合打分，筛选出视觉贴合度高、语义信息密度高的标注。针对视频数据，流水线将长视频切分为连续短片段并均匀采样代表帧，通过语义一致性与运动一致性双重过滤保留有效片段，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。最终，TuringViT仅使用0.85B图文对，约为SigLIP2-L训练数据规模的10%，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、Flickr30K图文检索任务上同样取得优势。
训练流程上，TuringViT采用四阶段渐进式原生动态分辨率训练范式，从预训练之初就适配下游VLM与VLA的输入特性，不再采用“固定分辨率预训练、事后适配”的传统模式。
在智能驾驶领域，TuringViT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。面向智能座舱与驾泊一体化场景，TuringViT的VLM原生特性让视觉特征与语言模型实现更高效对齐，可提供更高识别精度、适应不同画幅和比例的视觉输入，支撑更多车辆与用户交互的座舱功能。在小鹏IRON人形机器人的技术体系中，TuringViT充当视觉感知的核心角色，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。