描述

本 PR 完成 Classic 量化结果持久化与恢复的第一里程碑，范围仅包含 Classic API，不包含 Qwen3.8、LLM CLI、benchmark、模型文件或样例改动。

原有 quantize(model, config) 只把校准结果保留在当前进程的量化模块中，进程结束后无法复用。本次为 quantize() 和 convert() 增加可选的 quant_result_dir：

• quant_result_dir=None 时沿用原有内存量化和转换流程，convert(model) 的返回值仍为 None。
• 指定调用方已经创建的目录时，各量化模块在参数真正定稿的位置导出结果；MinMax、AWQ、GPTQ 分别保存其恢复和部署所需的参数。
• 每层张量使用 safetensors 保存，完整配置集中写入 quant_manifest.json。文件大小、SHA-256、header、tensor key/dtype/shape 和 entry digest 在发布前重新校验。
• 每个单元先通过同目录临时文件、fsync 和 os.replace 原子落盘；manifest 最后发布。这样中断运行只会留下没有 manifest 的未发布目录，不会被误当成完整产物。
• convert(model, quant_result_dir) 先校验 manifest、目录、源模型指纹和全部单元，再从注册表反查量化类并恢复校准态，最后复用既有 deploy 转换流程。
• reload 采用“全部校验并在深拷贝模块上构建，再统一替换”的两阶段方式；任意单元失败都不会留下部分改写的输入模型，提交阶段异常也会回滚。

这里没有按文件名扫描目录或从 artifact 动态导入类。文件名不能表达完整量化配置，也无法判断目录是否完整；动态导入则会扩大不可信输入的执行面。manifest 是唯一配置源，量化类只能从现有 AlgorithmRegistry 反查。

本次同时落实了评审意见：生产代码使用最终格式命名；目录必须由调用方创建且允许无关文件共存；writer 只管理自己的文件并保持内部实现属性最小化；指纹参数统一命名为 model_fingerprint；不在 reload 中重复 convert() 已负责的模型入口检查；仅暴露真正稳定的用户接口。

额外审查补齐了算法状态完整性校验：MinMax 根据渐进量化、激活量化和对称配置检查必需 scale/offset；AWQ、GPTQ 在非对称配置下检查 offset_w；GPTQ 必须携带不可重算的优化后 weight。校验发生在事务提交前，避免结构合法但算法参数不完整的 artifact 被加载。

如何测试

1. 聚焦测试：

   pytest -q \
     tests/unit_test/classic/test_quant_result.py \
     tests/unit_test/classic/ptq/test_quantize.py \
     tests/unit_test/classic/test_quantize_modules.py \
     tests/unit_test/classic/test_quant_reload.py \
     tests/unit_test/algorithms/test_register_algo.py \
     tests/amct_pytorch/test_config.py \
     tests/unit_test/classic/test_deploy_kv_quant.py
   

   结果：466 passed。包含 MinMax、AWQ、GPTQ 的 artifact 往返、事务回滚、格式/完整性负例和真实 NPU deploy-forward 对照。

2. 全量回归对照：

   pytest -q tests/unit_test tests/amct_pytorch \
     --continue-on-collection-errors --tb=short
   

   最新 master：48 failed / 1510 passed / 7 skipped / 130 errors。

   本分支：48 failed / 1868 passed / 17 skipped / 130 errors。

   两侧 JUnit 中 178 个 failed/error 测试 ID 集合完全一致，本分支无新增失败；现有失败来自环境缺少可选依赖及上游既有用例。

3. 工程检查：pre-commit 全部通过，包含 ruff、format、codespell、私钥检测和 OAT 开源合规检查；git diff --check 通过。

4. 构建：bash build.sh --torch 成功生成 amct_pytorch-1.1.0-py3-none-linux_aarch64.tar.gz。

文档更新

无。协议字段、行为边界和兼容性说明已写入新增模块及公开 API 的 docstring；本 PR 不引入独立用户文档，避免带入第一里程碑以外的内容。

类型标签

• Bug修复
• 新特性
• 性能优化
• 文档更新
• 代码重构
• 其他，请描述：