本研究提出了一种新架构SAFT，旨在解决现有文本交互分类方法未能充分捕捉文本语义的问题。SAFT结合语言和图形模块，有效融合文本和结构语义，显著提高了分类准确性，并在多个真实数据集上表现优越。

本文介绍了一种名为ViSFT的两阶段方法，通过视觉联合学习来增强视觉基础模型的精细知识。该方法在不到2天的时间内使用ViSFT进行更新，展示了一个带有超过4.4B参数的视觉转换器在各种领域外基准测试中的改进。