技术博客

本文介绍一种新型视觉模型ViT³，其完全基于TTT（Tree-structured Transformer Tokenization）架构设计，专用于高效视觉序列建模。区别于传统Transformer的平方级计算复杂度，ViT³实现线性复杂度，在图像分类、目标检测与语义分割等主流视觉任务中展现出强竞争力，为轻量级、可扩展的视觉模型提供了新的基准范式。