ViS：视觉状态空间 Token 混合器

基于摘要分析。本文研究视觉状态空间模型（SSMs）对手工一维扫描顺序的依赖，提出 Vision State-Space Token Mixer（ViS）：让每个 token 按空间距离逐步聚合周围信息，而非沿统一的全局扫描路径处理图像，从而构建具有全局感受野的视觉骨干。 核心机制是重新定义扫描轴：每个 token 的隐藏状态依次吸收以自身为中心的同心环中的信息。这里的“无需扫描顺序”指不依赖手工全局遍历顺序，仍保留由空间距离决定的上下文聚合次序。作者将这种逐位置递推推导为结构化掩码注意力的精确闭式表达，以便在适于注意力运算的现代硬件上高效实现。具体状态更新公式、掩码结构、训练目标与计算复杂度尚未验证，不能仅因采用 SSM 就认定其整体实现具有线性复杂度。 作者报告，在图像分类、分割、目标检测和生成任务中，ViS 可作为通用视觉骨干；在摘要未明确列出的对照及硬件条件下，吞吐量最高达到对照的 5.1 倍，同时维持相当或更好的性能。作者还报告，在其评估的视觉骨干中，ViS 具有最强的零样本分辨率迁移表现，并将其归因于通过坐标计算的空间先验。数据集、模型规模、性能指标、分辨率变化范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应路径是以电极空间坐标定义上下文聚合次序，减少任意通道排列带来的偏置，而非直接替代时间序列建模。可复用的部分是距离驱动的状态聚合与结构化注意力表达；需改造图像同心环为不规则电极布局，并明确空间聚合与时间建模的组合方式。该假设依赖可比的电极坐标和足够训练数据，可能受 EEG 低信噪比、体积传导、跨被试差异、通道缺失及小样本过拟合影响。一个可检验的小实验是在固定 Cross-subject 划分及相同时间编码器下，对比距离聚合、固定通道扫描和普通注意力，并测试通道重排及缺失后的性能变化。相关 EEG 工作尚未检索确认，原文视觉结果不构成 BCI 有效性的证据。