“冻结”的模型在训练时是只做 forward，不做 backward。=
只做推理，不参与训练
对齐？
checkpoint：保存模型
embedding层是干啥的？干了一些得到task的工作？把
图像嵌入、语言嵌入、状态嵌入 拼接成一整段前缀序列，并且同时构造：
pad_masks：标记哪些 token 是“真实的” (1) 哪些是 padding (0)；
att_masks：标记这个 token
属于哪一类域（0=图像/语言，1=状态/动作），以便后面 make_att_2d_masks
限制注意力连接。
概括之后，构造条件输入序列