如何实现文生图和编辑混合训练，我看edit_images设置为空[]，目前框架会报错

[PlutoQyl]

[Jason-Chi-xx]

同问。另外以 z_image 为例，如果要混合训练的话似乎还得改一下 ZImageDiT类， 因为图片大小和sample 长度都存在差异，当前的方法如果混合 文生图 和 图像编辑 很容易造成 batch 间 token差异大，padding会浪费很多内存。 我看论文里有提到 Joint Text-to-Image and Image-to-Image Training。 好奇是怎么实现的，类似bagel的 packeddataset的方式吗