首页 > 科技数码 >小鹏发布全新视觉模型覆盖智驾座舱机器人全场景

小鹏发布全新视觉模型覆盖智驾座舱机器人全场景

来源：互联网 2026-08-01 17:27:11

机器人资讯合集

小鹏发布TuringViT视觉编码器，面向VLM/VLA时代，覆盖智驾、座舱与机器人全场景。该方案采用线性注意力与原生动态分辨率，仅用0.85B图文对训练，在多项基准上平均准确率83.6%，超越10B数据模型，推动先进视觉大模型行业普惠。

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。

长期稳定更新的攒劲资源： >>>点此立即查看<<<

视觉编码器：物理AI的感知入口

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。

小鹏发布全新视觉模型覆盖智驾座舱机器人全场景

三条技术线同步推进：线性注意力主导+高质量数据治理+原生动态分辨率

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。

智能驾驶场景：VLA核心视觉编码器，近线性延迟提升体验

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”。