支持任意 ViT Encoder 与任意 LLM 自由组合构建多模态模型

Checklist / 检查清单

• I have searched existing issues, and this is a new feature request. / 我已经搜索过现有的 issues，确认这是一个新的 Feature Request。

Feature Request Description / Feature Request 描述

冒昧提一个需求建议：不知 ms-swift 能否参考 LoongForge 的设计，支持通过配置文件或命令行参数，将代码库中已支持的任意 ViT 编码器（如 CLIP-ViT、Qwen-ViT、InternViT 等）与任意 LLM（如 Qwen、LLaMA、InternLM 等）自由组合成多模态模型并直接训练，同时仍能对 ViT、Aligner、LLM 各自独立控制冻存与学习率？目前虽有 MultiModelKeys 注册机制，但每新增组合仍需手写适配代码，若能做到配置驱动的即插即用，对我们做实验对比会非常方便。当然，这只是个人的一点想法，不一定符合项目的设计方向，如果团队有别的考量也完全理解，还是非常感谢 ms-swift 已经提供的强大支持！

Pull Request / Pull Request 信息

No response

Start by reviewing the existing MultiModelKeys registration mechanism and the current model-combination adapters mentioned in the issue. Define how configuration or CLI parameters would compose supported ViT encoders with LLMs and independently control ViT, aligner, and LLM freezing and learning rates; done means arbitrary supported combinations can train without handwritten adapters.