【CNMO 科技消息】今年上半年，小鹏集团密集发布物理 AI 技术报告，继多视角生成式世界模型 X-World、世界模型推理加速引擎 X-Cache、预测式世界模型 X-Foresight 及 X-Mind 技术框架之后，近日，小鹏正式发布 TuringViT 高效视觉编码器，面向 VLM/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。

小鹏

据 CNMO 科技了解，针对 softmax 注意力在长序列下的算力困境，TuringViT 创新性地提出 Turing 线性注意力（TLA）作为核心计算单元，构建 "5 层线性注意力 +1 层标准多头注意力 " 的混合 Turing Block 架构。

该设计让线性注意力承担主要的全局上下文聚合工作，将计算复杂度从二次方降至近线性；仅周期性插入少量标准注意力层保障 token 级交互精度，同时搭配序列长度感知归一化与输入依赖门控机制，在高效全局建模的同时保留局部细节与高频视觉特征，避免线性注意力常见的细节平滑问题。

TuringViT 的块架构和模型配置

TuringViT 共推出两个规格版本：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；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，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 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扫清了核心障碍。

不同于行业 " 堆数据规模 " 的粗放路线，TuringViT 打造了 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，从 " 用更多数据 " 转向 " 用更优质的监督 "。

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/VLA 的输入特性，彻底告别 " 固定分辨率预训练 + 事后适配 " 的传统模式。

随着 TuringViT 的发布，小鹏全栈自研的物理 AI 底层技术能力逐步完善和丰富。小鹏的物理 AI 底层技术能力，也不仅仅服务于智能辅助驾驶，更将赋能更多物理 AI 业务场景。

版权所有，未经许可不得转载