已合入 PR #15208，针对 Engram 训练正向量化场景进行了性能优化：

• 在行宽未按 32B 对齐时，将 staging 聚合、接收散射和本地直取的逐行同步搬运改为分批搬运，以减少同步次数；超出 tile 容量等情况保留逐行兜底。
• 在训练分支的 tiling 阶段增加行大小校验，避免 data 和 scale factor 对齐后的大小超过 UINT32_MAX，导致 kernel 内计算回绕。

关联 PR：PR #15208