Describe the current behavior / 问题描述 (Mandatory / 必填)

在同一进程、同一 HCCL 通信域下，torch.distributed.all_to_all_single（eager 路径，经 ProcessGroupHCCL 走 CCU）与 MC2 融合算子（aclnnAlltoAllvQuantGroupedMatMul，kernel 侧 CCU）串行执行时，调用顺序决定是否报错：

• 先调 dist.all_to_all_single，后调融合算子 → 融合算子执行 aicore error（L1/MTE 内存错误，timeout or trap），报错位置在 torch.npu.synchronize()
• 反过来，先调融合算子，后调 dist.all_to_all_single → 两者均正常

日志关键差异：先调 all_to_all_single 时，HCCL plog 中会出现 Already have context, skip create 日志（对应 op_common.cc:889，TryReuseResource 按 algTag 命中了前一次 eager 通信创建的 CCU 资源缓存），反过来则没有此日志且不报错。

推测原因：eager dist.all_to_all_single 执行后，通过 HcclEngineCtxCreate(algTag, CCU) 缓存了 CCU 资源上下文（包含 CCL Buffer 布局、CCU 指令序列等）。后续融合算子在分配 CCU 资源时（HcclAllocComResourceByTilingV2 或 GetOrCreateContext），由于 CCL Buffer 和 CCU 硬件状态（PFE 路由表等）已被 eager 路径按自身通信量编程，融合算子假设的是干净的初始状态，没有清理机制，导致 buffer 越界或路由错误。反过来时，融合算子先在干净状态下执行，eager 路径后执行时 ShouldGoCcuFastLaunch/TryReuseResource 未命中，从头创建全新 CCU 资源，能覆盖旧状态，所以正常。

Environment / 环境信息 (Mandatory / 必填)

950
x86
evb 2P

Steps to reproduce the issue / 重现步骤 (Mandatory / 必填)

最小复现代码

import torch
import torch_npu
import torch.distributed as dist

# 1. 初始化 HCCL 通信域（只初始化一次）
dist.init_process_group(backend='hccl', rank=rank, world_size=world_size, init_method=...)

# 2. 准备通信数据（MX 场景最易复现，eager 传 packed x+scale，融合算子仅传 x）
# 详见 mc2_test/op_class/aclnnAlltoAllvQuantGroupedMatMul.py

# ===== 报错路径：先 eager 后融合 =====
# Step A: eager all_to_all_single（CCU 路径）
dist.all_to_all_single(output_tensor, input=input_tensor,
                       output_split_sizes=..., input_split_sizes=...)

# Step B: MC2 融合算子（CCU kernel 侧）
# 内部调用 aclnnAlltoAllvQuantGroupedMatMul
output = torch_npu.npu_alltoallv_quant_gmm(gmm_x, gmm_weight, ...)
# → RuntimeError: npuSynchronizeDevice error code 507916
# → aicore error: l1 error info, mte error info, timeout or trap

# ===== 正常路径：先融合后 eager =====
# Step A: MC2 融合算子（在干净 CCU 状态下执行）
output = torch_npu.npu_alltoallv_quant_gmm(gmm_x, gmm_weight, ...)
# → 正常

# Step B: eager all_to_all_single（TryReuseResource 未命中，从头创建 CCU 资源）
dist.all_to_all_single(output_tensor, input=input_tensor, ...)
# → 正常

Describe the expected behavior / 预期结果 (Mandatory / 必填)

同一 HcclComm 下，eager dist.all_to_all_single 和 MC2 融合算子的 CCU alltoallv 应能串行执行而不报错，无论调用顺序如何

Related log / screenshot / 日志 / 截图 (Mandatory / 必填)

# Step A: eager all_to_all_single 正常完成
# HCCL plog 中可以看到资源被缓存：
[DEBUG] Already have context, skip create, ctxSize is xxx    ← op_common.cc:889 TryReuseResource 命中

# Step B: 融合算子执行时 aicore error
RuntimeError: npuSynchronizeDevice: AclrtSynchronizeDeviceWithTimeout, error code is 507916

[ERROR] The error from device(chipId=0, dieId=0), serial number is 10,
  exception occurred during fusion kernel task execution,
  streamId=61, taskId=90, subtasksSubType=20, sqeLength=4, cqeStatus=262144.
  ccu task print, coreNum=1, streamId=61, taskId=90.

  there is an aicore error exception, core id is 0/1/2/3, error code = 0,
  l1 error info: 0x5f95001fefd8,
  mte error info: 0xfdbf7dfd087a9f5e,
  errcode:(0) errorstr: timeout or trap error. subErrType: 0x4.

正常日志（先融合后 eager）

# Step A: 融合算子在干净 CCU 状态下执行，正常
# HCCL plog 中没有 "Already have context" 日志

# Step B: eager all_to_all_single 执行
# ShouldGoCcuFastLaunch: fastLaunchTag 未命中（与 mc2ContextTag 不同命名空间）
# TryReuseResource: algTag 未命中
# → 从头创建 CCU 资源，正常通信

日志对比结论

Special notes for this issue/备注 (Optional / 选填)

是否有办法在 Python 层（或在融合算子 tiling 阶段）清理/重置 CCU 缓存和 PFE 表，确保融合算子执行时 CCU 硬件状态是干净的？