修改背景

DSA2 同步 Colossal CP 中，k_nope 与 value 都来自同一份 compressed_kv_norm，原实现却分别执行 SequenceShard -> Replicate AllGather，产生两份内容相同的全局 KV storage；Indexer loss 还会再次构造可复用的全局 key-rope。

本 PR 只处理 DSA2 全局 K/V 通信结果复用，不包含 DSA1 Dense Teacher CP 实现。Dense Teacher 的 DSA 布局语义由 MindFormers PR #8759 处理，并直接复用 HP stock 通用 ContextParallel。

修改方案

新增 DSASequenceReplicateCache，在同步 DSA2 CP 的同一层调用周期中：

• k_nope 与 value 共享 main_kv 槽位，只执行一次可微分 AllGather；
• Indexer loss 复用已得到的全局 key_rope；
• key_index 保持独立 AllGather。主 Indexer forward 的自定义反向会阻断主干 K 梯度，而 Indexer loss 的 K 需要承载预计算的 Indexer 梯度，二者不能合并；
• 缓存签名校验 shape、dtype、rank list 和 sequence dim；每层调用开始时重置，Indexer loss 参数转换完成后清理映射；
• Async DSA CP 继续使用既有 prelaunch/wait 生命周期，不启用共享缓存；
• 默认参数关闭共享，既有 HP 调用方行为保持不变。

为什么共享缓存放在 Hyper-Parallel

该缓存管理的不是普通业务 Tensor，而是 CP placement 转换产生的、带反向通信语义的 AllGather 结果。以下职责属于并行通信层：

• SequenceShard -> Replicate 的执行和反向梯度转换；
• CP mesh、rank list、sequence dim 与 Tensor 签名匹配；
• attention style 和 indexer-loss style 之间的通信结果生命周期；
• 同步与异步 CP 的不同通信时序。

MindFormers 只负责根据 DSA 阶段和 async 配置决定是否创建并传入共享实例。如果把缓存实现放在 MindFormers，需要复制或依赖 Hyper-Parallel 内部 placement/AllGather 细节，也难以正确控制两个 style hook 的生命周期。因此由 Hyper-Parallel 提供通信缓存能力、MindFormers 负责启用策略。

这与 Dense Teacher CP 的归属不同：Dense Teacher 只需在 MF 中规范化 attention output/LSE 的业务布局，再调用 HP stock ContextParallel，不需要新增 HP DSA 专用通信类。

功能与精度验证

128K、CP4、DSA2、10 step

• 峰值 allocator 显存：23.8948 GiB -> 23.7698 GiB，降低 128 MiB；
• 稳定 step 3-10：3610.500 ms/step -> 3606.625 ms/step，无性能劣化；
• 128 MiB 与 128K * kv_lora_rank 512 * BF16 2 bytes 完全一致，收益随序列长度线性增长。

TP2+CP2、4K、50-step 高学习率压力 A/B

loss 与 indexer_loss 满足既定精度标准。

测试

• Python compile check、diff check：通过；
• 新增 UT 覆盖 K/V 共享、key-rope 复用、Indexer K 独立以及共享后父 latent 梯度累加语义；
• MindSpore NPU 128K CP4、TP2+CP2 功能和精度 A/B：通过。