通俗解释
图像被切块、展平、线性投影成 token 序列，加位置编码后送入 Transformer。数据足够多时超越 CNN，如今是视觉语言模型和 DiT 的标准视觉骨干。
用在哪里：CLIP、SigLIP、各类 VLM 的视觉编码器
时间轴 · 前置 → 当前 → 后继
01原始论文
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, et al. · 2020
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
视觉 Transformer ViT
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：生成式与前沿研究
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
vit)