1. fboverlap supports swap unperm2 activation

unperm2（alltoall后最后一次unperm）中会进行tokens*probs，由于probs需要梯度更新router，tokens激活需要保存至反向，并且tokens是topk后的片上内存占用较高。
这里采用swap的方式节省片上内存，将unperm()中的mul、reducesum操作移到外部，相比原始实现额外引入mul、reducesum、cast(fp32-gating时)以及异步拷贝操作，可能引起性能劣化。

不开permute/unpermute融合时50步对齐。开融合算子后，由于reducesum提到融合算子外部单独调用torchAPI，累加算法与融合算子内不同，无法完全对齐。