研究探讨了视觉变换器在抽象推理任务中的应用，强调二维位置和对象的重要性。作者通过引入二维位置编码和对象中心表示来改进ViT的表现。实验显示这些改进显著提升了推理能力，但也增加了模型复杂性。研究建议进一步探索不同架构组件的相互作用及其对推理能力的影响。