feat: add NPU SAS + LI patch for DeepSeek-V4 without mindspeed

[0hujun]

What is changed

为 DeepSeek-V4 的注意力层添加 NPU 融合算子 patch：

1. SAS（SparseAttnSharedKV）：将原始稀疏注意力替换为 twinkle.kernel.ops.dsv4_sas_li.aclnn_ops.SparseAttnSharedKV 融合算子；
2. LI（LightningIndexer）：将原始 torch 实现 top-k 索引替换为 twinkle.kernel.ops.dsv4_sas_li.aclnn_ops.LightningIndexer 融合算子。

两个 patch 均为 NPU-only，非 NPU 环境保持默认行为不变。

Motivation

DeepSeek-V4 的混合注意力结构中，稀疏注意力计算和 lightning indexer 索引计算在 NPU 上使用通用 PyTorch 算子串行执行，存在 kernel launch 开销大、显存占用高、耗时波动剧烈等问题。

Performance Results

速度提升（6 层对比）

配置	稳态每 step（s）	每层耗时（s）	提升	稳定性
不开 patch	8.56	1.427	1.0x	5.1~13.3s（极不稳定）
开 SAS+LI（mindspeed）	3.60	0.600	2.38x	3.4~3.9s（稳定）
开 SAS+LI（aclnn）	2.62	0.437	3.27x	2.4~3.1s（稳定）

对比mindspeed与aclnn直调方式：

指标	mindspeed	ACLNN	提升
每步平均 fwd_bwd	3.60s	2.62s	快 37%
每步最低	3.4s	2.4s	—
每步最高	3.9s	3.1s	—
9 步总 fwd_bwd	32.4s	23.6s	节省 8.8s
吞吐 (iters/s)	0.14	0.20	+43%
耗时波动范围	±0.25s	±0.24s	两者都平稳

LI 增量收益（12 层对比）

配置	稳态每 step（s）	每层耗时（s）	相对 SAS-only
只开 SAS	7.80	0.650	1.0x
开 SAS+LI	7.34	0.612	1.06x（快 5.9%）

显存与可训练层数

配置	8 卡最大层数	显存峰值	2 机训练
不开 patch	6 层（8 层 OOM）	64GB/卡	不支持
开 SAS+LI	≥12 层	显著降低	支持

Summary

• SAS+LI patch 使每层训练耗时降低 58%（1.427→0.600s/层），每 step 提速 2.38 倍；
• 突破显存瓶颈，8 卡可训练层数从 6 层提升至 12+ 层，支持 2 机扩展；
• LI 在 SAS 基础上额外提供约 6% 增量加速，并显著减少耗时毛刺。