Add aya_vision

[Minestar6]

Add aya_vision

添加了aya_vision模型的PaddlePaddle 实现，包含模型代码、配置文件、单元测试。

对齐验证

精度对齐

前 20 个 token 的 logits 对齐结果如下：

• mean diff: 1.119111e-05
• max diff: 1.258850e-04

训练loss对齐

训练数据

文本数据

• GSM8K SFT 数据
• 训练步数：300 steps

多模态数据

训练结果

文本结果

多模态结果

[risemeup1111]

已复查当前提交，CI 通过，但仍有会影响 AyaVision 生成路径和权重绑定语义的阻塞问题；另外有一个 processor 的低优先级问题需要作者回复。具体细节已放在行级评论中，请先按评论处理后再继续推进。

^{Powered by Nyanpasu with gpt-5.5 xhigh, please check the suggestions carefully.}

[risemeup1111]

优先级：P1
处理要求：请针对该评论修复并提交新的 commit。

这里在首个 generation step 会继续传入 pixel_values，但当前类没有覆盖 PaddleFormers 实际调用的 expand_inputs_for_generation。默认实现只会展开 input_ids/attention_mask/position_ids 等文本 batch 张量，不会展开 pixel_values；当 num_beams>1 或 num_return_sequences>1 时，input_ids 中的图像 token 数会被放大，而视觉特征仍是原 batch 数量，随后 _merge_image_features() 会因为 n_image_tokens != flat_image_features.shape[0] 抛出不匹配错误。这个 PR 新增的 beam 生成测试路径也会触发该问题。

请为 AyaVision 增加与当前生成入口匹配的视觉输入展开逻辑；如果继续支持 crop_to_patches=True，需要按样本的 tile 数切分后重复，而不是直接把整批 pixel_values 当作文本 batch gather：

def expand_inputs_for_generation(self, input_ids, expand_size, attention_mask=None, **model_kwargs):
    source_input_ids = input_ids
    input_ids, model_kwargs = super().expand_inputs_for_generation(
        input_ids, expand_size=expand_size, attention_mask=attention_mask, **model_kwargs
    )
    pixel_values = model_kwargs.get("pixel_values")
    if expand_size > 1 and pixel_values is not None:
        # 根据 source_input_ids 中每个样本的图像 token 数和每个 tile 的 token 数计算切片长度，
        # 然后把每个样本对应的 pixel_values 切片 repeat expand_size 次。
        model_kwargs["pixel_values"] = repeat_visual_samples(pixel_values, lengths, expand_size)
    return input_ids, model_kwargs

[risemeup1111]

优先级：P1
处理要求：请针对该评论修复并提交新的 commit。

AyaVisionConfig/Cohere2Config 默认 tie_word_embeddings=True，并且本类声明了 _tied_weights_keys，但普通构造路径只创建 lm_head 后没有调用 tie_weights()；目前只有 from_pretrained() 后置调用会绑定。这样 AyaVisionForConditionalGeneration(config) 用于从配置训练、单测或保存前推理时会保持未绑定输出头，和配置/检查点语义不一致。建议在初始化完 lm_head/criterion 后按配置绑定：

Suggested change

	self.criterion = AyaVisionCriterionLayer(config)
	self.criterion = AyaVisionCriterionLayer(config)
	if config.tie_word_embeddings:
	self.tie_weights()

[risemeup1111]

优先级：P2
处理要求：请针对该评论进行回复（同意并已修改请回复 Done，不同意请说明理由）。

这里把完整的图像特殊 token 列表保存到了 image_ids，但仓库内没有读取这个属性；下面 return_mm_token_type_ids=True 调用的 create_mm_token_type_ids() 依赖的是 image_token_ids 属性。结果是 TILE_GLOBAL、起止图像 token 等不会按这里的列表参与 mm_token_type_ids 标记，开启该选项时多模态 token 类型会漏标。请改成 helper 实际使用的属性名，并补一个覆盖 return_mm_token_type_ids=True 的 processor 测试。

Suggested change

	self.image_ids = tokenizer.convert_tokens_to_ids(
	[img_patch_token, tile_token, tile_global_token, start_of_img_token, end_of_img_token]
	)
	self.image_token_ids = tokenizer.convert_tokens_to_ids(
	[img_patch_token, tile_token, tile_global_token, start_of_img_token, end_of_img_token]
	)