分布式算子 ST 测试迁移至 Gloo CPU 后端

背景

当前 HyperParallel 的分布式算子 ST 测试（tests/torch/shard/ops/）依赖 Ascend NPU + HCCL 后端执行，只能在 NPU 机器上运行。这导致：

1. 开发门槛高 — 开发者必须有 NPU 硬件才能运行分布式测试
2. CI 覆盖受限 — NPU 资源有限，门禁压力大
3. 迭代速度慢 — 算子开发/修改后需要排队等待 NPU 资源验证

方案

将所有分布式算子 ST 测试用例迁移至 Gloo CPU 后端，使测试可在任意 x86 机器上通过 torchrun 执行，无需 NPU 硬件。

迁移范围

• 43 个分布式算子，共 206 个测试用例
• 涵盖：element-wise（add/sub/mul/div/sin/cos/abs/neg/exp/log/sqrt/rsqrt/clamp/maximum/minimum）、矩阵（matmul/bmm）、归约（sum/mean/prod/max/min/norm/amax/amin）、形状（reshape/view/flatten/transpose/permute/split/chunk/slice/scatter/gather/cat/stack/expand/repeat/tile/flip/narrow/unsqueeze/squeeze/index_select/take/index_put/tensor_split/topk/select/index_add）、类型转换（cast）等

迁移方式

每个算子测试文件（parallel_op_*.py）末尾追加 test_gloo_* 系列函数，使用：

• init_dist_gloo() 替代 init_dist()（Gloo CPU 后端初始化）
• device_type="cpu" 替代 device_type="npu"
• 去除 .npu() 设备转换
• 使用 init_device_mesh + distribute_tensor 直接构造 DTensor

对应的 shell 入口文件（test_parallel_op_*.py）追加 @arg_mark(plat_marks=["cpu_linux"]) 测试入口，通过 torchrun_case 启动。

影响分析

• 零影响 — 所有原有 NPU 测试函数和逻辑完全不变
• 纯增量 — 仅在文件末尾追加 Gloo 测试函数和 shell 入口
• 基础设施 — 新增 init_dist_gloo() 辅助函数（tests/torch/utils.py），扩展 mark_utils.py 支持列表参数