【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。