fix: preserve multimodal image token counts

[Hyperion-shuo]

背景

在 Qwen3-VL / 多模态 RL 训练中，pixel_values 和 image_grid_thw 已经可以传到 training worker，但 num_img_tokens 没有完整传到训练侧的 SequenceContext。

这会导致真实多模态 batch 里明明包含图片，训练日志却显示：

step_consumed_img_tokens=0
img_efficient_attn_ratio=0

修改内容

本 PR 补齐 num_img_tokens 在 RL 多模态训练链路中的传递：

在 MultimodalInfo 中加入 num_img_tokens
在 RLQwen3VLTokenizeFunction 中把 tokenizer 输出的 num_img_tokens 写入 mm_info
在 SequenceContext packing 时保留 num_img_tokens
在 RLColocateTrainer 构造训练 SequenceContext 时恢复 num_img_tokens

修复前：多模态 payload 能进入训练，但 step_consumed_img_tokens=0
修复后：step_consumed_img_tokens 变为非零，训练和 backward 能正常完成