​大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

本文提出了一种基于纯Transformer架构的图像分类方法Vision Transformer（ViT），通过将图像分割为块序列并直接应用Transformer，突破了传统CNN在计算机视觉中的主导地位。实验证明，ViT在大规模数据预训练后，不仅能在ImageNet、CIFAR-100等基准任务上超越当时最优的CNN模型，还具备更高的计算效率。这一工作为视觉任务提供了全新的架构思路，展现了Tra

论文要解决什么问题？现有主流视觉语言预训练架构有“二分法”：架构（比如CLIP、ALIGN）：图片和文本各自编码，适合检索任务推理快，但模态交互浅，难以解决像视觉问答等复杂推理任务。架构（如UNITER、ViLT）：深度图文融合，复杂推理效果好，但检索推理慢，计算量大。这两者各有优劣，缺少“一体化”方案能兼容速度与效果。核心主张或贡献是什么？提出统一视觉语言预训练模型VLMO，使用，让Transf