该文综述视觉Transformer研究进展，涵盖Vim双向状态空间模型（在分类、检测、分割任务上优于DeiT且更高效）、Context Broadcasting（提升模型容量与泛化能力）、面向移动端的轻量通用模型MobileViT、采用循环权重共享与身份移位稳定训练的ViTAS、探索全局上下文用于密集预测的SETR、实现多尺度特征表示的MPViT，以及视觉导航应用与正向缩放律。