Wan2.1的图像特征是如何注入进去的，文本特征是如何注入进去的？

回答思路

1. 能准确说明图像特征提取与注入方式（如通过视觉编码器与交叉注意力）
2. 能准确说明文本特征通过CLIP或类似编码器与交叉注意力注入
3. 能对比两种模态特征注入的异同，并说明多层注入的作用