本文提出了一种新框架，结合图像结构的形式化表征与具身认知理论，以提升代理推理系统的效率和可解释性，从而改善人机交互。
论文提出了T2T-ViT模型，通过引入tokens-to-token（T2T）模块有效融合图像结构信息，并设计了深窄的ViT主干网络，增强特征丰富性。在ImageNet上，T2T-ViT在零训练时性能优于ResNets，与MobileNets相当。
完成下面两步后，将自动完成登录并继续当前操作。
