DTensor 重构：copy_/zero_/fill_ 下沉到 core 及 MindSpore new 优化

需求背景 & 价值

当前 DTensor 的 copy_ / zero_ / fill_ 在 PyTorch 和 MindSpore 两侧有各自独立的实现，存在以下问题：

PyTorch 侧：

• leaf+grad 路径存在 dtype/storage 双重 desync bug（copy_(fp16_src) 导致 _local_tensor 和 wrapper 的 dtype/storage 分裂）
• 依赖 rebind _local_tensor 的方式绕过 leaf in-place 限制，破坏 _local_tensor 身份一致性

MindSpore 侧：

• 没有显式 override，依赖 _INPLACE_BYPASS_OPS 兜底路径，缺少类型/placement 校验
• shape 不匹配在 NPU 上异步报错，traceback 指向无关代码行

MindSpore DTensorBase.__new__：

• 热点路径（.from_local）每次都触发冗余 .to("Ascend")，即使 tensor 已在目标设备
• device != "meta" 判断不准确，无法区分 CPU 和 Ascend

功能描述

1. DTensor copy_/zero_/fill_ 统一到 core

• 三个方法从 platform/torch/dtensor.py 移到 core/dtensor/dtensor.py，两个平台共用
• 采用 Tensor.copy_ 语义（方案B），与标准 Tensor.copy_ 行为一致：
  • version counter 正确 bump
  • requires_grad 叶 Tensor 抛异常（安全网有效）
  • 创建 grad_fn，梯度从 dst 流向 src
• 强制 src 必须是 DTensor + 同 DeviceMesh
• src_is_scalar（numel==1）短路 placement 和广播双重校验，高频场景零开销
• 同步 shape 校验（解决 MS NPU 异步报错问题）
• 删除 torch 侧三个 override

2. MindSpore DTensorBase.new 优化

• 用 dev.startswith("Ascend") 准确识别目标设备，同设备跳过 .to()
• 统一 has_init 的 init_device 设置逻辑
• 合并两个分支末尾重复代码
• 性能：24.56 us/call → 10.00 us/call（约 2.5×）

3. GeLU 算子注册 & InplaceCopy 调度修正

• 在 MindSpore element_wise_ops.yaml 中注册 GeluExt 算子
• 将 InplaceCopy 加入 _INPLACE_BYPASS_OPS
• 从 whitelist 中移除 Inplace* 系列算子，修改 _should_bypass_dispatch 使 bypass 逻辑独立

涉及文件