Checklist

• 1. I have searched the existing issues (https://gitcode.com/mindspore/hyper-parallel/issues)
• 2. I have read the relevant documentation.
• 3. I have created a minimal reproduction case that clearly demonstrates the issue, including a complete code example and the error message with full traceback and error logs.

🐛 Describe the bug

_materialize_and_load_model 在模型参数完成 sharding 后调用 Transformers
模型自身的初始化逻辑。

对于 Qwen3.5、Qwen3.5-MoE、Qwen3-Next 等包含 GatedDeltaNet 的模型，
A_log 和 dt_bias 已经是本地 shard，但 Transformers _init_weights
仍按照全局 num_v_heads 创建临时 Tensor。

例如：

init.copy_(
    module.A_log,
    torch.empty(module.num_v_heads, device=module.A_log.device)
        .uniform_(0.01, 16)
        .log_(),
)

此时目标参数使用 local shape，源 Tensor 使用 global shape，导致
copy_ 报 shape mismatch。

此外，不同 Transformers 版本包含的模型集合不同。例如项目依赖的
Transformers 5.13 尚不包含 Qwen4Exp，直接导入相关实现会在测试收集或
运行期间触发 ModuleNotFoundError。

Expected behavior

• 默认模型继续使用 Transformers 原生权重初始化。
• 存在分片初始化问题的模型可以注册 family-local、shard-aware 初始化函数。
• 模型 adapter 声明最低 Transformers 版本。
• 当前 Transformers 版本低于最低版本时，不注册该模型，也不加载其实现。
• 最低版本及更高版本均应注册，即使用 installed >= minimum。

Additional context

自定义初始化实现应位于对应模型目录中，避免引入跨模型共享的初始化组件。

Environment info

• Transformers: 5.13.0
• PyTorch: 2.9.0
• torch_npu: 2.9.0
• Hardware: Ascend 910B3

Thanks for contributing 🎉!