d1-omni-600M 图像输入时，状态和问题文本会被截断到 896 tokens；音频输入限制为单条 16 kHz 单声道片段、最长 30 秒，且音频训练数据仅来自英语使用者与助手之间的请求；图像和音频不能在同一次请求中同时携带，否则抛出 ValueError。