Es una arquitectura de modelo, inspirada en los Transformers del procesamiento del lenguaje natural, que se aplica directamente a tareas de visión por computadora. Divide una imagen en una serie de parches o ""tokens"" y los procesa de la misma manera que un Transformer procesa las palabras de una oración. Es una pieza clave que ha cerrado la brecha entre la teoría y los resultados de vanguardia en la comprensión de imágenes, permitiendo que un único tipo de arquitectura domine tanto el texto como la visión.