包含occtoken的词条

token中根据第211节中提到的视觉基础模型中采用的方法，存在两个选项仅进行空间压缩和空间时间压缩仅进行空间压缩只；为了获得输入的token序列，多视角的图像从四个不同的方向被分成了图像块序列被独立的喂入到S6模块中，并且S6模块的输出通过；POSeTOkenenhancedMEsh