feat(vision_mcq): implement VisionMCQExtractor + evaluator vision routing

[lianghsun]

實作 VisionMCQExtractor 與 evaluator.py 的 vision 路由分支，為 Twinkle Eval 加入 VLM 評測能力。

對應 CLAUDE.md

Section 6.2 - 依參考框架重構為本專案架構

設計決策

• 不需新 Model class：OpenAIModel 已支援 messages 參數，可直接傳 multimodal content
• uses_vision flag：Extractor 以 class-level flag 觸發 evaluator 路由（與 ASR 的 uses_audio 模式一致）
• 重用 ExactMatchScorer：MCQ 的評分邏輯不變，差別只在於送出 prompt 時夾帶圖片

任務內容

新增檔案

1. twinkle_eval/metrics/extractors/vision_mcq.py

   • VisionMCQExtractor with uses_vision: bool = True
   • extract() 重用 PatternExtractor 的答案提取邏輯
   • 支援 A/B/C/D letter 與 Yes/No (POPE) 雙模式

2. twinkle_eval/templates/vision_mcq.yaml

   • evaluation_method: \"vision_mcq\"
   • strategy_config.image_field: \"image_path\" (預設值，可覆寫)
   • strategy_config.max_image_size: null (optional Pillow resize)

修改檔案

1. twinkle_eval/runners/evaluator.py

   • 在 uses_audio 分支之後新增 elif getattr(self.extractor, \"uses_vision\", False):
   • 邏輯：
     a. 從 question_data 讀取 image_path（欄位名由 strategy_config 控制）
     b. 本地檔案 → base64 data URI；URL → 直接傳遞
     c. 建構 multimodal messages with image_url + text content blocks
     d. 呼叫 self.llm.call(messages=messages)
     e. 提取答案 + 評分（與 text MCQ 相同流程）

2. twinkle_eval/metrics/__init__.py

   • Import VisionMCQExtractor
   • PRESETS[\"vision_mcq\"] = (VisionMCQExtractor, ExactMatchScorer)

3. twinkle_eval/benchmarks.py

   • 新增 4 個 benchmark entries (mmbench, mmstar, mmmu, pope)，eval_method="vision_mcq"

4. twinkle_eval/__init__.py

   • Export VisionMCQExtractor

5. pyproject.toml

   • 新增 vision = [\"Pillow>=10.0.0\"] optional dependency group

驗收標準

• VisionMCQExtractor 可正確提取 A/B/C/D 與 Yes/No
• evaluator.py 的 vision 分支可處理本地檔案與 URL
• 支援可選的 Pillow image resize（避免超過 API token 限制）
• PRESETS 註冊正確
• 4 個 benchmark 已加入 registry

Part of Milestone #22