首先，感谢您的辛勤工作。
在论文的图2中，CLS标记的位置嵌入是[0, 0, maxW, maxH]的嵌入。
然而，在这一行和这一行中，[0, 0, 0, 0]被使用。
那么哪一个是正确的呢？以及在提供的预训练权重中使用的是哪一个？我认为论文中提到的那个更合理，因为CLS标记的图像嵌入是整个图像，而且该标记用于文档分类。