有一个简单的想法： 
这些东西都会被分词变成 token，而 token 可以用简单的一个整数编号。注意到很多时候模型看一张图只需要 1000 多个不到 2000 个 token，那么直接对图片分词，把 token 编号序列存储在本地，每次仅传输 token 编号序列，是不是能解决这个问题？