Die XPeng Group hat TuringViT vorgestellt, einen effizienten visuellen Encoder, der Architektur, Daten und Training für kostengünstige SOTA-Visuelle Transformer neu strukturiert. Er unterstützt intelligentes Fahren, Cockpits und humanoide Roboter. Mit nur 0,85 Milliarden Bild-Text-Paaren erreicht er bei sechs Benchmarks eine Zero-Shot-Genauigkeit von 83,6 % und übertrifft damit Modelle, die auf 10 Milliarden Daten trainiert wurden, bei dreifachem Inferenzdurchsatz bei hohen Auflösungen.