[功能] 为 MIM 预训练研究提供统一的 `embed` 接口,适用于 Vision Transformer 模型

此功能请求与使用 `timm` 中的视觉 Transformer 模型进行 Masked Image Modeling (MIM) 预训练相关。目前，嵌入和特征提取在 `forward_features` 中紧密耦合，使得在初始嵌入和位置编码之后，但在 Transformer 阶段之前，很难注入掩码操作，这是 MIM 的一个常见要求。研究人员需要在传递给后续 Transformer 层之前，访问嵌入的标记进行掩码处理。