这篇论文大概讲ViT 在很多情况下会偷懒地利用背景/上下文 patch 作为分类捷径，导致全局表示对前景对象的聚合不充分 
里面提到一个很有意思的现象：lazy aggregation。 
我觉得这对 agent harness 很有启发： 
如果把视觉里的"背景 patch"换成 agent 系统里的summary、目录结构、文件名、看起来权威的专业词汇，以及各类二手上下文，就会发现 agent 也可能形成类似 捷径： 
不认真读取底层证据，而是拿廉价代理信号拼出一个"看起来合理"的全局判断