该文综述视觉Transformer（ViT）研究进展，涵盖全注意网络FAN（ImageNet准确率87.1%、ImageNet-C mCE 35.8%，并提升分割与检测性能）、语义标记降维、Token labeling训练目标、SiT自瘦身、DualToken-ViT轻量模型、推理中重组token、T2T-ViT、自监督少样本分类分割、Semi-ViT半监督及ViT稳健性分析等工作。