Le groupe XPeng a lancé TuringViT, un encodeur visuel performant qui repense l'architecture, les données et l'entraînement pour créer des transformateurs visuels de pointe à faible coût. Il prend en charge la conduite autonome, les cockpits et les robots humanoïdes. En utilisant seulement 0,85 milliard de paires image-texte, il atteint une précision « zero-shot » de 83,6 % sur six benchmarks, surpassant ainsi des modèles entraînés sur 10 milliards de données, avec un débit d’inférence trois fois supérieur à haute résolution.