ظهرت MLP-Mixer مؤخرًا كمنافس جديد في مجال شبكات النيورونات العصبية المتشابكة (CNNs) والمتحولات (transformers). رغم بساطتها مقارنة بالمتغيرات، فإن مفهوم خلط القنوات (channel-mixing) وخلط الرموز (token-mixing) في MLPs يحقق أداءً لافتًا في مهام التعرف البصري. على عكس الصور، تتميز السحب النقطية بأنها نادرة الكثافة، غير مرتبة وغير منتظمة، مما يحد من استخدام MLP-Mixer مباشرة في فهم السحب النقطية. في هذا البحث، نقترح PointMixer، وهو مشغل نقاط شامل يسهل مشاركة المعلومات بين النقاط ثلاثية الأبعاد الغير منظمة. عن طريق استبدال خلط الرموز في MLPs بوظيفة softmax، يمكن لـ PointMixer "خلط" الخصائص داخل/بين مجموعات النقاط. وبذلك، يمكن استخدام PointMixer بشكل واسع في الشبكة كخلط بين المجموعات، خلط داخل المجموعات، وخلط الهرمي. تُظهر التجارب الواسعة الأداء التنافسي أو الأفضل لـ PointMixer في تقسيم الدلائل الدلالي (semantic segmentation)، التصنيف وإعادة بناء النقاط مقارنة بالطرق المستندة إلى المتحولات (transformer-based methods).