DVP高效适配多模态模型

DVP用模态特定Transformer替换上层视觉处理，降低MLLM视觉指令微调成本。

推荐理由：核心判断是深层视觉Token和文本Token需求分化，没必要全参微调统一Transformer；这种替换式适配若稳健，可降低MLLM训练门槛。