一句话定义：Vision Transformer（ViT）是一种把图像切成固定大小的小块（patch），再像处理句子里的词一样，用 Transformer 来理解图像的视觉模型。
它是怎么工作的？
可以打个比方：把一张照片剪成很多小卡片，每张卡片就是一个 patch。ViT 先把每个 patch 拉直、压成一个向量，也就是 token embedding；再给每个 token 加上位置编码，告诉模型“你原来在图片的哪个位置”。然后，这些 token 被送进标准的 Transformer 编码器，通过 self-attention（自注意力）互相交流。
这意味着，图片左上角的一块和右下角的一块，即使离得很远，也能直接建立联系。比如判断“这是一只猫”时，耳朵、胡须、尾巴这些 patch 可以彼此印证，而不是只靠层层局部卷积慢慢扩大视野。最后，ViT 可以用一个额外的分类 token，或者把各 patch 的特征聚合起来，完成分类、检测、分割等任务。
和 CNN 有什么区别？
| 对比项 | CNN（卷积神经网络） | ViT |
|---|---|---|
| 看图方式 | 局部卷积，逐层扩大感受野 | 所有 patch 从一开始就能全局注意力 |
| 归纳偏置 | 较强，天生假设局部相关、平移不变 | 较弱，更依赖数据自己学 |
| 数据需求 | 相对少也能工作 | 通常更依赖大规模预训练和正则 |
| 与 LLM 衔接 | 需要额外适配 | 天然是 token 序列，容易接入 |
简单说，CNN 像拿着放大镜逐层看局部，再把局部拼成整体；ViT 像读文章，一开始就让所有“词”互相参照。
为什么它重要？
大语言模型（LLM）处理的是 token 序列。ViT 把图片也变成 token 序列，于是视觉编码器可以接到 LLM 前面，形成图文问答、看图说话、文档理解等多模态系统。这也是视觉模型接入 LLM 的常见做法。
对从业者来说，ViT 让视觉和语言共享 Transformer 架构、训练范式和部署经验；对普通人来说，相册搜索、图文客服、内容审核、自动驾驶感知等场景背后，可能都有 ViT 或其变体。具体实现细节和性能表现，以官方页面和论文为准。