该问题是怎么引起的？

在 FSDP/HSDP（单机 8 卡，DP=8）下，clip_grad_norm_ 计算全局梯度范数时，把非切分参数（replicate 参数，或经 FSDP ignored_params 由用户自管理的参数）的本地 norm² 也放进了 shard 进程组的 all_reduce(SUM)。这些梯度本身在各 rank 上已是全局一致的值，其 norm² 应只在本地计入一次；多做一次 shard 组 SUM 会把它重复计 shard_world_size 次（8 卡即 ×8），使全局 grad_norm 偏大。

两种管理不切参数的方式都复现同一症状（并行策略未改、首步 loss 未变，仅 grad_norm 改变）：

• 通过 replicate_params 管理不切参数 → global grad_norm = 48（基线 28）；
• 通过 FSDP ignored_params 并在训练侧自行额外 all_reduce 其梯度 → grad_norm = 100+。

根因：replicate / ()-签名 的梯度应"本地计入、不通信"，旧实现却在 shard 组上对其 norm² 求和。注：首步 loss 不变是因为该步 norm 未超过 max_norm、未触发实际裁剪，但计算出的全局 norm 本身是错的——一旦 norm 超过 max_norm 就会按错误的范数过度裁剪。

重现步骤

1. 单机 8 卡，FSDP/HSDP，DP=8，并行策略保持不变。
2. 选一批不切分参数（如每层 bias）：方式 A 交给 replicate_params；方式 B 放入 FSDP ignored_params 并在训练侧自行对其梯度做一次 all_reduce。
3. 反向后调用 clip_grad_norm_，读取返回值/日志中的全局 grad_norm。
4. 以"把所有分片梯度 all-gather 还原成全量后直接计算的范数"作为基线对照。

观察：replicate_params → 48，ignored_params + 手动 all_reduce → 100+，基线 → 28。

报错信息

非崩溃类问题，无异常栈，是数值错误：

baseline（all-gather 全量梯度算的范数）   : 28
replicate_params 全局 grad_norm           : 48     （≈ 在 shard 组上重复计数）
ignored_params + 手动 all_reduce          : 100+
首步 loss 不变，仅 grad_norm 偏大