请介绍 Vision Transformer（ViT）的结构及其工作原理。

回答思路

1. 清晰阐述ViT将图像切分为patch并嵌入为token的过程
2. 说明位置编码和Transformer Encoder的作用
3. 解释CLS token与分类头的关系
4. 能联系其在多模态大模型中的位置（如Qwen2.5-VL）说明输入输出