研究人员提出了$x$T框架，以更有效地处理大图像。该方法通过嵌套标记化将图像分割成小块，结合区域编码器和上下文编码器，保持细节和全局信息，避免传统方法中的信息损失。在多个计算机视觉任务中表现出色，推动了科学研究和医疗诊断的发展。