What type of PR is this?

/kind feature

What does this PR do / why do we need it

本 PR 将 v2.7.1 分支中的 DVM 相关能力迁移到 v2.8.0，为 inductor 增加 DVM 融合支持，并补齐绑定、构建与测试。

主要改动：

• 引入 DVM 第三方依赖并接入构建
• 新增/迁移 DVM inductor 融合流水线代码
• 新增 DVM C++ pybind 接口并在 _C 初始化阶段注册
• 补充 DVM 相关测试与 public bindings 清单
• 调整 inductor 后端选择逻辑，支持 npu_backend=dvm

---

DVM 融合模式说明（按当前代码更新）

当前 DVM 支持两种融合路径：

1. mlir_fusion：复用 Inductor-MLIR 主流程，只替换融合范围与 codegen 引擎为 DVM
2. graph_fusion：独立图分区融合路径，通过 CapabilityBasedPartitioner 做子图融合并落到 DVM

1) mlir_fusion

设计：

• 复用 Inductor-MLIR 编译流程
• 在融合子图阶段按 DVM 支持规则筛选
• 使用 DVM codegen 生成并执行融合 kernel

特点：

• 与现有 inductor/mlir 链路协同，接入成本低
• 融合行为与主编译流程一致性更好

2) graph_fusion

设计：

• 通过 DvmGraphFusionPatch 挂接 post-grad pass
• 使用 CapabilityBasedPartitioner 划分可融合子图
• 生成 dvm::fused_graph_* 自定义算子并在代码生成阶段替换为 DVM kernel 调用

特点：

• 独立融合路径，可扩展性强
• pattern 控制更灵活

dvm_graph_fused_* 命名来自 graph fusion 路径（dvm_graph_fusion(...) pass 生成融合子图名）。

---

使用方式（更新后的正确接口）

A. 启用 mlir_fusion 路径

推荐三种方式（二选一即可）：

1. config 方式

import torch
import torch_npu
import torch_npu._inductor

torch._inductor.config.npu_backend = "dvm"
compiled = torch.compile(model, backend="inductor", dynamic=True)
out = compiled(*inputs)

2. options 方式

compiled = torch.compile(
    model, backend="inductor", dynamic=True, options={"npu_backend": "dvm"}
)

3. 环境变量方式（需在 torch.compile 前设置）

import os
os.environ["TORCHINDUCTOR_NPU_BACKEND"] = "dvm"

B. 启用 graph_fusion 路径

import torch
import torch_npu
from torch_npu._inductor.dvm.graph_fusion import DvmGraphFusionPatch

with DvmGraphFusionPatch():
    compiled = torch.compile(model, backend="inductor", dynamic=False)
    out = compiled(*inputs)

---

两种模式对比

模式	依赖 Inductor-MLIR 主流程	Pattern 控制	典型命名	备注
mlir_fusion	是	中	dvm_fused_*	推荐默认接入路径
graph_fusion	否（独立图分区）	高	dvm_graph_fused_*	更适合定制/实验性融合

注意：矩阵相关算子（mm/bmm/addmm）仅在 graph_fusion 融合模式支持。

---

Which issue(s) this PR fixes

Fixes #

Special notes for your reviewers

• 本 PR 为跨版本迁移，核心逻辑与 v2.7.1 DVM 实现保持一致，冲突已按 v2.8.0 基线语义对齐。
• 建议重点 review：
  • _C 初始化与 DVM pybind 注册
  • torch_npu._inductor 后端分支与 npu_backend=dvm 使能逻辑
  • mlir_fusion / graph_fusion 两条路径的行为一致性