根据 issue #14672，用户设置 --mm-process-config 参数后，除了 Qwen VL 外，其他模型如 InternVL、LLaVA、MiniCPM 等均未生效。PR body 指出，之前尝试的 PR #14968 由于使用 kwargs.update() 导致参数冲突（例如 image 和 video 配置共享相同键时被覆盖），本 PR 旨在彻底解决此问题。

该 PR 值得精读，特别是对于处理多模态配置和 HuggingFace 处理器集成的设计决策。关注点包括：如何使用 setdefault().update() 优雅地合并配置，以及如何通过验证和测试确保健壮性。对于维护者，可以学习避免参数冲突的模式。

实现分为几个部分：1) 在 server_args.py 中添加 _handle_multimodal() 方法进行配置验证，确保 mm_process_config 为字典且每个模态值为字典。2) 在 base_processor.py 的 __init__ 中提取 image_config、video_config、audio_config，并在 process_mm_data 中使用 setdefault().update() 注入为 images_kwargs 等，保留现有默认值。3) 移除 qwen_vl.py 中的重复提取逻辑，使其继承基类。4) 在覆盖 process_mm_data 的处理器如 ernie45_vl.py 和 midashenglm.py 中添加相应的配置注入。5) 更新文档并新增测试文件 test_mm_process_config.py，涵盖验证、注入、冲突检查和回归测试。

技术风险较低：1) 回归风险：修改了基类和多个处理器，可能影响现有 VLM 的处理流程，但新增的测试覆盖了验证和注入，减少了风险。2) 性能风险：使用 setdefault().update() 添加了额外字典操作，但开销微小，不影响核心性能。3) 兼容性风险：配置验证确保输入格式正确，但用户若依赖旧行为（如参数冲突），现在会正确分离，可能改变行为，但这是预期的修复。4) 安全风险：无直接安全影响。

对用户：所有 VLM 用户现在可以正确使用 --mm-process-config 参数控制图像、视频、音频处理设置，提升灵活性和内存管理能力。对系统：增强了配置传递的可靠性，避免了参数冲突，改善了多模态处理的健壮性。对团队：代码更清晰，通过基类统一处理，减少了重复逻辑，便于维护；新增测试确保了变更质量。