当前 Trainer profiling 实现配置能力有限，仅支持单 rank 和基础 PyTorch Profiler 参数，与MindFormers等生产级训练框架的profiler 生命周期、输出结构等使用方式 存在较大差异。
希望重构 Trainer profiling，提供统一的配置入口，支持按训练步、rank、PP stage、 采集等级、memory、stack 和 MSTX 等维度控制性能采集，并确保 profiler 在采集窗口 结束后及时停止和释放。
现有 ProfilingCallback 和 trainer.runtime.profiling 可以完成基础采集，但扩展能力 有限，继续在旧实现上叠加功能会保留两套配置语义并增加维护成本，因此计划直接替换 旧实现。
ProfilingCallback
trainer.runtime.profiling
将配置入口统一为 TrainerConfig.profiler，主要支持：
TrainerConfig.profiler
enabled
start_step
stop_step
start_on_init
memory
rank_ids
pipeline_stage_leaders
output_path
level
with_stack
data_simplification
mstx
有影响。本次改动将删除旧 profiling 配置、ProfilingCallback 和 trainer.runtime.profiling，不提供旧接口兼容层。
profiling
示例 YAML、CLI dotted override 和 Trainer callback 初始化逻辑需要同步更新。
Thanks for contributing 🎉!
🚀 功能描述
当前 Trainer profiling 实现配置能力有限，仅支持单 rank 和基础 PyTorch
Profiler 参数，与MindFormers等生产级训练框架的profiler 生命周期、输出结构等使用方式
存在较大差异。
希望重构 Trainer profiling，提供统一的配置入口，支持按训练步、rank、PP stage、
采集等级、memory、stack 和 MSTX 等维度控制性能采集，并确保 profiler 在采集窗口
结束后及时停止和释放。
现有替代方案
现有
ProfilingCallback和trainer.runtime.profiling可以完成基础采集，但扩展能力有限，继续在旧实现上叠加功能会保留两套配置语义并增加维护成本，因此计划直接替换
旧实现。
与DFX相关性DF
提议的新API
将配置入口统一为
TrainerConfig.profiler，主要支持：enabledstart_step/stop_stepstart_on_initmemoryrank_idspipeline_stage_leadersoutput_pathlevelwith_stackdata_simplificationmstx是否影响现有API
有影响。本次改动将删除旧
profiling配置、ProfilingCallback和trainer.runtime.profiling，不提供旧接口兼容层。示例 YAML、CLI dotted override 和 Trainer callback 初始化逻辑需要同步更新。
补充信息
Thanks for contributing 🎉!