小鹏发布全新视觉模型，覆盖智驾座舱机器人全场景

小鹏汽车的动作，向来是行业里值得留意的风向标。今年上半年，这家公司密集发布了一系列物理AI技术报告，内容涵盖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，以及X-Mind技术框架。而就在最近，他们又亮出了一张新牌——TuringViT，一个面向VLM/VLA时代的高效视觉编码器。这套方案，从架构设计、数据范式到训练流程，几乎是对视觉编码器的一次系统性重构。

视觉编码器，是物理AI的“感知入口”——这个说法并不夸张。所有场景理解、状态判断、动作决策，第一步都得从高质量的视觉特征提取开始。但随着VLM和VLA技术加速落地到真实场景，高分辨率图像、多视角输入、连续视频帧这些需求，已经成了常态。行业对视觉编码器的要求，正在发生本质性的变化。

眼下主流的技术路线，普遍面临三重瓶颈：算力成本高、数据效率低、场景适配难。许多团队还在沿用“复用开源通用ViT”的老路子，但这套方案，在智能驾驶、具身机器人这类真实场景中，已经越来越跟不上节奏。性能、延迟、定制化——这些需求，通用模型很难同时满足。正是冲着这些痛点，小鹏推出了TuringViT，一套完整的系统性解决方案。

从架构、数据到训练，TuringViT三条线同步推进，搭建起一个“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。效果、效率、落地性，三者同步提升。数据效率是其中的亮点：TuringViT只用了0.85B图文对，差不多是主流模型训练数据规模的十分之一，结果在ImageNet-1K等六项零样本分类基准上，平均准确率达到了83.6%，直接超越了那些用10B数据训练出来的开源基线。在COCO、Flickr30K的图文检索任务上，同样实现了“十分之一数据，效果更优”的突破。

这套编码器的发布，让小鹏全栈自研的物理AI底层技术能力，变得更加完整。它的价值不只局限于智能辅助驾驶，而是会辐射到更多物理AI的业务场景。

在智能驾驶领域，TuringViT是第二代VLA系统的核心视觉编码器。它的近线性延迟特性，让高分辨率视觉感知能在车端算力约束下稳定运行。窄路通行、无导航辅助驾驶、复杂路口处理、长尾交通参与者识别——这些功能，体验上会有明显提升。端侧大模型的性能潜力，也能被进一步释放，让驾驶决策既“看得清”，又“反应快”。

智能座舱和驾泊一体化场景同样受益。TuringViT的VLM原生特性，让视觉特征与语言模型的对齐更高效，识别精度更高，还能适应不同画幅和比例的视觉输入。未来车辆与用户交互的丰富座舱功能，多了不少想象空间。

在小鹏IRON人形机器人的技术体系中，TuringViT扮演着“视觉视网膜”的角色。它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。统一的基座架构，让智能驾驶场景积累的海量视觉经验，能够快速迁移到机器人场景，跨场景研发成本因此大幅降低。

TuringViT的价值，不止于小鹏内部业务的落地。它也为行业提供了一条可复现、低成本训练SOTA级视觉Transformer的技术路径。换句话说，先进视觉大模型，正在从“头部团队专属”走向“行业普惠”。

小鹏集团表示，未来将持续扩大高质量图文视频数据规模，深化时序建模与具身视觉方向的技术探索，推动视觉基座与VLM/VLA系统的更深度融合。让先进AI技术，真正渗透到每一次出行、每一个交互场景——用科技突破，定义智能出行与具身智能的新高度。