Checklist

• 1. I have searched the existing issues (https://gitcode.com/mindspore/hyper-parallel/issues).
• 2. I have read the relevant documentation.
• 3. I have created a minimal reproduction case that clearly demonstrates the issue, including a complete code example and the error message with full traceback and error logs.

🐛 Describe the bug

fully_shard 管理的 replicate_params 以 FP32 初始化，并通过 MixedPrecisionPolicy(param_dtype=torch.bfloat16) 使用 BF16 参与前向计算时，Torch 与 MindSpore 两端的 HSDPParam.to_sharded() 都会把临时 unsharded 参数复制回 sharded 主参数。

由于临时参数已被转换成 BF16，这次复制会将 BF16 数值写回 FP32 sharded_param。虽然目标张量的 dtype 仍显示为 FP32，但参数有效精度已永久舍入为 BF16；后续优化器更新不再基于原始 FP32 主参数。

最小复现流程：

model = ExistingModel().to("npu")  # 参数初始化为 FP32
replicate_params = set(model.target.parameters())
fully_shard(
    model,
    mesh=mesh,
    reshard_after_forward=True,
    mp_policy=MixedPrecisionPolicy(param_dtype=torch.bfloat16),
    replicate_params=replicate_params,
)
master_before = [param.detach().clone() for param in model.target.parameters()]
model(inputs)
# 当前行为：forward/reshard 后 FP32 主参数被 BF16 临时参数覆盖

该问题是数值精度劣化，不会产生 Python traceback。

Expected behavior

to_sharded() 只负责恢复 module 上的 sharded 参数对象并释放 unsharded 临时存储，不应把低精度临时参数反向覆盖到 FP32 主参数。前向/reshard 后，replicate_params 的 FP32 主参数 dtype 与数值都应保持不变，优化器继续基于 FP32 主参数更新。

Additional context

Torch 与 MindSpore 实现存在相同复制逻辑，需要保持两端语义一致。回归验证复用现有 Torch replicate_params 精度场景：standalone 网络整体转换为 BF16，fully_shard 网络仍以 FP32 初始化并设置 param_dtype=BF16；不新增测试用例或 module 类。

Environment info

• Repository: mindspore/hyper-parallel
• Base: upstream/master at bb62140e
• Backends: PyTorch and MindSpore
• Target device: Ascend NPU