[Bug-Report|缺陷反馈]: assemble版本化后分段写回tile被合并为共享布局，fillpad/vecdup越界覆盖导致精度错误

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

mix_1c2v_auto.json case 148（mix_1c2v_VCV_Serial_Parallel_float32_h64_nondiv_148）精度 FAILED（result[1]/[2] 误差 1e4~1e9 量级）。二分定位：7b0399991 PASS → 46c711463（feat(pass): Adaptation to new IR features，assemble 版本化）引入回归。

根因：版本化（多次写同一 destination 改为"独立 LogicalTensor 版本 + 共享 RawTensor"）后，ReplaceTensor 的 InsertNeedCopy 插 copy 条件失效——分段 resultTile 不再有第二个不同 raw 的 consumer，sameAssembleOut 恒为 true，不再插 COPY_OUT/COPY_IN。BackwardAssemble 遂将 fillpad 分段 resultTile 的 raw 合并回父 tensor 的 [16,128] raw，codegen 按父 rawshape 生成共享布局（LocalLayout2Dim<16,128>，段B base+80）。TFillPad/TVecDup 属"写满整块"类算子，在共享布局下 pad/fill 越界，实测 fillpad 输出 3×128 有效数据只剩 1×64，其余被 pad 0 覆盖（输入 cat_s2 逐元素正确）。

Environment / 环境信息 (Mandatory / 必填)

服务器/NPU 型号: Ascend950PR（A5）
PyPTO 版本/Commit: e292d21b9（好版本 7b0399991，引入回归 46c711463）
CANN 版本: 9.2.0
Python 版本: Python 3.10.20
操作系统: Ubuntu 24.04.4 LTS
torch / torch_npu: 2.8.0+cpu / 2.8.0.post4

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

输入规格：test_cases/pass/mix_1c2v_auto.json，method=VCV_Serial_Parallel，batch=9, seq_len=35, hidden=64, tile_b=2, tile_s=8, dtype=float32, vector_tile_shapes_2d=[16,80]（128 列拆 80+48 非整除，触发分段写回）

执行：

python3 xrunfk.py -i=./test_cases/pass/mix_1c2v_auto.json -o=./output/pass_mix -s=148 -e=148 -d=1

受影响算子链：scope2 concat → view → fillpad → matmul → sub；scope3 sigmoid tiling 展开后的 VEC_DUP（fill 常量，同机制，表现为小值域指标超标）

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

三个输出精度全部 PASS（7b0399991 行为）：fillpad 分段 dst 保持独立 raw（布局 <16,80>/<16,48> = 各自责任区），pad 不越界。

生成代码对比（fillpad 两段 dst）：

// GOOD: 两段独立 buffer，布局=责任区
UBTileTensorFP32Dim2_5 ubTensor_67(UB_S88064_E93184_T,   Shape2Dim(16, 80));  // <16,80>
UBTileTensorFP32Dim2_6 ubTensor_69(UB_S101376_E104448_T, Shape2Dim(16, 48));  // <16,48>

// BAD: 共用同一 buffer，布局=父列宽 128，段B +80 偏移
UBTileTensorFP32Dim2_3 ubTensor_67(UB_S88064_E96256_T,          Shape2Dim(16, 80));  // <16,128>
UBTileTensorFP32Dim2_3 ubTensor_69((float*)UB_S88064_E96256_T + 80, Shape2Dim(16, 48));  // <16,128>

出错机制（pto-isa include/pto/npu/a5/TFillPad.hpp）——写入由编译期/运行期分工决定：

编译期（模板参数，来自 rawshape）	运行期（valid）
`Cols`、`RowStride = Cols`（RowMajor 下行距=列宽）	`srcValidRow / srcValidCol`
决定写到哪：第 i 行 = `base + i*RowStride`，pad 终点 = 第 dstStride 列	决定搬多少：搬 `srcValidRow × srcValidCol` 个

unsigned padCols = dstStride - srcValidCol;  // 每行 pad 列数 = 有效列结束 → 布局行尾

padCols 隐含契约"布局列宽 == 本段责任区宽度"。共享布局（128）≠ 责任区（80/48）时契约破裂：

段A: padCols = 128-80 = 48 → 把 [80,128)（段B 责任区）当自己行尾 pad 填 0
段B: padCols = 128-48 = 80 → 行内 pad 起点 base+80+48 物理落在下一行行首，
                             跨行覆盖段A 已写入的数据（行距按 128 走）
行pad: 段B 声明区域终点超 buffer 尾 80 个元素，真实 UB 越界写

golden 逐算子对比（BAD，bs_valid=3 的迭代）：cat_s2（fillpad 输入）3×128 逐元素正确；v3（fillpad 输出）只剩 1×64 有效，row1/2 整行及 row0 后 64 列被 pad 0 覆盖；c2 及以下全部受害。

图结构证据（compile_debug_mode=1 dump 的 Pass_27_ReplaceTensor 前后图）：

GOOD Before: FILLPAD→resultTile ─┬→ ASSEMBLE→父tensor（直连）
                               └→ COPY_OUT→（读方向分支，第二个不同 raw 的 consumer）
GOOD After:  FILLPAD→resultTile ─┬→ COPY_OUT→COPY_IN→拷贝件→ASSEMBLE（pass 自动插 copy）
                               └→ COPY_OUT→（读方向）
BAD:         FILLPAD→resultTile → ASSEMBLE→父tensor（直连，不插 copy）

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

已验证修复（pr_pad_dts 6e94047de，多轮验证）：replace_tensor.cpp 的 FindNeedToCopyAssemble 补充条件——producer 为 OP_FILLPAD/OP_VEC_DUP 且 assemble input shape != output shape（分段写回）时恢复插 copy，使 ASSEMBLE 消费拷贝件、分段计算 tile 保持独立 raw。此为恢复版本化前该 pass 的实际行为；elementwise/cube 类合并行为不变。修复后 mare/mere/rmse 全轮次 100% 通过（与 torch NPU 同水平）。