Se aplicó una red neuronal profunda basada en un transformador de visión (ViT) para clasificar los isómeros de glucósidos flavonoides mediante el análisis de espectros de espectrometría de masas por ionización electrospray en tándem (ESI-MS/MS). Nuestro modelo clasificó con éxito los isómeros flavonoides con varios patrones de sustitución (3-O, 6-C, 7-O, 8-C, 4-O) y múltiples glucósidos, logrando más del 80% de precisión durante el entrenamiento. Además, los espectros experimentales de estándares de glucósidos flavonoides se adquirieron con diferentes aductos, y nuestro modelo mostró un rendimiento robusto independientemente de las condiciones experimentales. Como resultado, el modelo de visión por computadora basado en transformadores de visión es prometedor para analizar datos de espectrometría de masas.