[Bug-Report|缺陷反馈]: 6 个 Loss/Norm 算子 arch35 路径存在跨核同步与规约精度缺陷

Describe the current behavior / 问题描述

在 Ascend950 的 arch35(A5) 路径上，以下 6 个算子存在两类缺陷：

一、跨核同步：SyncAll() 前未排空 MTE3，0 号核可能读到未落地的 partial

PoissonNllLoss、MultilabelMarginLoss 的跨核规约都是"各核把 partial 写入 workspace → SyncAll() → 0 号核读回合并"。写 workspace 用的 DataCopyPad 是异步出口流水（__out_pipe__(MTE3)），但栅栏前没有排空，0 号核可能读到其他核尚未落地的值。该错误与时序/负载相关，表现为并发下偶现：同一用例、同一随机种子，--pc 2 跑两轮结论不一致（一轮 219/219 全绿，另一轮 1 例红）。

PoissonNllLoss 另有一处收尾同步使用固定事件号 EVENT_ID0（同文件其余 5 处均由 FetchEventID 分配），与在飞的同号事件冲突时会漏同步。

二、规约精度

SoftmaxFocalLoss：ce/fw 的低位残差槽未按 tile 清零。(hi, lo) 是读改写，不清零会把 UB 残留当作上一轮残差累加。全量泛化 1198 例中 111 例红，全部集中在 reduction=none 且 D≥1000 的精确路径，元素通过率低至 0%。
PoissonNllLoss：reduction=sum/mean 段内用库函数整段 ReduceSum（块间无补偿裸加）、段间 partial +=，绝对误差随块数/段数增长。三方 cross_check 中 rmse 比值达 4.55 / 6.01 / 8.31（限值 1.5），而 mare/mere 相对误差仅 0.001 量级 —— 即我方绝对误差约为竞品 pairwise 的 8 倍。
SoftmaxFocalLossGrad：搬入参数把整条行距差值写进 rightPadding，但该字段只能把一行补到 32B 块边界，超出部分必须走 dstStride。int32 目标缓冲在 stride-len ≥ 8 的档位（D=1/2/4/6/21）全线 VEC_ERROR。
MultilabelMarginLoss：块对齐长度向上取整会让 B 超过 k，块内顺序累加成为主导误差项。

Environment Information / 环境信息

昇腾硬件型号：Ascend950PR
CANN 版本：9.3.0
Python 版本：3.11
测试工具：ops-test-kit（kernel / geir 子命令）

Steps to reproduce the issue / 重现步骤

同步缺陷（偶现）：用固定种子对 PoissonNllLoss 的 geir 用例集（219 例）以 --pc 2 连跑两轮
```
python3 -m ttk geir -i poisson_geir_gen.csv -o out.csv --plugin <assets> \
  -d false -b release --geir-serve --seed 20261013 --pc 2
```
两轮的红例集合不一致；改 --pc 1 并以固定输入连跑 4 遍则结果逐位一致（说明本方计算确定，差异来自同步）。
SFL 精度：跑 SoftmaxFocalLoss kernel 全量泛化（1198 例，--compare close），111 例红，集中在 reduction=none、D≥1000。
Poisson 精度：跑 PoissonNllLoss 三方 cross_check（不带 --compare），reduction=sum/mean 的大 n 用例 rmse 比值 >1.5。
SFLG VEC_ERROR：跑 fp16、D∈{1,2,4,6,21} 的用例，bin_precision=NO_OUTPUT。

Describe the expected behavior / 预期结果

跨核规约结果与分核方式、并发度、重复次数无关：同输入多次执行逐位一致，固定种子下多轮判定一致。
reduction=sum/mean 的求和误差不随块数/段数增长，三方 cross_check 三项比值均在限值内。
支持面内的 fp16 小 D 形状（D=1/2/4/6/21）正常出结果，不得 VEC_ERROR。

# 同步缺陷: 同种子两轮判定不一致
A 轮 seed=20261013 : 219 条, 红 0 例
B 轮 seed=20261013 : 219 条, 红 1 例  pnll_T4K1_16_n17575_logF_fullT_tiny_pos_r0366

# Poisson 三方 cross_check (修复前)
pnll_T2K2_32_n2797_logT_fullF_normal_r0165  mare=0.00136 mere=0.00136 rmse=8.31
pnll_T1K2x_32_n820_logT_fullT_large_r0537   mare=0.00161 mere=0.00161 rmse=6.01
pnll_T2K2x_32_n25000_logT_fullF_large_r0672 mare=0.00104 mere=0.00104 rmse=4.55

# SFL 泛化 (修复前)
sfl_gen_pkg.csv 1198 条 {'PASS': 1087, 'FAIL': 111}
  sfl_32_32_b8_d1024_1153     (8, 1024)    float32  元素通过率 0.0%
  sfl_32_32_b128_d1024_178    (128, 1024)  float32  元素通过率 90.6%

# SFLG 搬入非法补齐 (修复前)
bin_precision=NO_OUTPUT, bin_perf_us=UNKNOWN   D=1/2/4/6/21 全线