通过软的 MoE 方法解决了传统 MoE 方法的问题，在视觉识别任务中表现优于标准 Transformers 和其他 MoE 变种，并在模型规模扩展上有良好性能。

该研究使用心灵理论建模人的意图、机器理解和人对机器的理解，生成更优质的AI解释框架，提高人们对复杂机器学习模型的信任。实验表明该框架在3个视觉识别任务中效果更好。

该文介绍了一种名为动态谱混合器（DSM）的自适应结构，能够高效地学习包含高低频信息的视觉输入的详细特征。实验证明，DSM 是一种功能强大且适应性强的骨干网络，适用于各种视觉识别任务。