内部上下文运算符网络（图标）是使用几种射击的，内部的方法来学习不同类型PDE的操作员。al-尽管它们对各种PDE的成功概括，但现有方法将每个数据点视为一个令牌，并且在处理密集数据时会遭受构成效率低下的效率，从而限制了它们在较高空间尺寸中的应用。在这项工作中，我们提出了视觉中文本运算符网络（VICON），并结合了Vi-Sion Transformer架构，该体系结构有效地通过贴片操作来有效地填充2D函数。我们在三个流体动力学数据集上评估了我们的方法，这既证明了卓越的性能（将重新验证的L 2误差降低了40％和61。分别用于可压缩流的两个基准数据集和计算效率（仅需要每帧的推理时间的三分之一）在长期推出预测中与当前的最新序列到固定时间序列模型相比，具有固定时间段的序列模型：多个物理学预测（MPP）。与MPP相比，我们的方法保留了内部文化运算符学习的本元素，在处理不合格的框架计数或变化的时间段值时，可以实现柔性上下文形成。