关于多图 grounding 的任务

Checklist / 检查清单

• I have searched existing issues, and this is a new question or discussion topic. / 我已经搜索过现有的 issues，确认这是一个新的问题与讨论。

Question Description / 问题描述

说明文档中有 关于 多图grounding任务数据 训练结构 的说明如下：
image_id: 通常用于多图grounding任务。该参数只有当bbox_type为'real'时生效，代表bbox对应的图片是第几张，用于缩放bbox。索引从0开始，默认全为第0张。image_id的数量需要和bbox的数量一致。例如：若bbox的长度为10，images的长度为2，那么image_id的长度需要是10，其值需要在{0, 1}集合内。
有2个问题：
1. 这个image_id 在给到模型训练的时候是怎么根据 id 0,1,2 和原始的图像列表 进行的对应
2. 推理的时候怎样正确解析。或者可以将每个box 和具体 输入的多张图的具体哪一张对应

Start with the multi-image grounding data documentation referenced in the issue, then trace how image_id is consumed during training and inference. Document how indices map to the input image list and how each bounding box is associated with its image; done means both questions have an unambiguous, reproducible answer.