Группа XPeng представила TuringViT — высокоэффективный визуальный кодер, который перестраивает архитектуру, набор данных и процесс обучения для создания недорогих визуальных трансформеров, соответствующих современному уровню техники (SOTA). Он находит применение в системах интеллектуального вождения, приборных панелях и гуманоидных роботах. Используя всего 0,85 млрд пар «изображение-текст», он достигает точности 83,6 % в режиме zero-shot по шести тестам, превосходя по результатам модели, обученные на 10 млрд данных, при этом обеспечивая в 3 раза большую пропускную способность при вычислениях в режиме инференции при высоких разрешениях.