[Feature] Implement BailingMoeV2_5LinearAttention (Simple GLA)

[sii-xinglong]

目标

实现 Lightning Linear Attention 层 (BailingMoeV2_5LinearAttention)，集成 tops.ops.simple_gla.chunk_simple_gla_fwd Pallas kernel。

架构

• Fused QKV 投影: hidden_size(8192) → 3 * num_heads * head_dim
• QK Norm: 每 head 独立 RMSNorm
• Partial RoPE: rotary_dim=64（head_dim 的前半部分），NeoX style
• Simple GLA: chunk_simple_gla_fwd(q, k, v, g_gamma=slopes, h0=state, use_ht=True)
• ALiBi 衰减: g_gamma = -base_slopes * (1 - (layer_idx-1)/(num_layers-1) + 1e-5)
• 输出 gating: GroupRMSNorm(o) * sigmoid(g_proj(x))
• Recurrent state: 常量大小 [B, H, K, V]，跨 decode step 传递

约束

• K 和 V 必须是 128 的倍数
• seq_len 必须是 chunk_size(64) 的倍数（不足时 pad）
• Prefill 和 decode 均使用 chunk 模式（fused recurrent 为后续优化）

验收标准

• BailingMoeV2_5LinearAttention 实现并可构造
• 前向输出形状正确 [batch_seq, hidden_size]
• Recurrent state 正确更新（跨调用 state 不同）
• 单元测试通过

[Rodrian7]

Decode Padding 正确性问题

decode 场景（T=1）下，chunk_simple_gla_fwd 要求 T 为 chunk_size(64) 的倍数，
需将输入 pad 到 64。补零 token 虽然 k=v=0，但 GLA 递推公式每步仍施加 decay：

h_t = h_{t-1} × decay + k_t^T ⊗ v_t

导致每次 decode 实际执行了 decay^64 而非 decay^1，autoregressive 推理时
recurrent state 会持续过度衰减。

正确做法是 decode 时使用 fused_recurrent 模式（逐 token 处理，无需 padding），
这也是 HF 参考实现在 seq_len <= chunk_size 时切换模式的原因。

当前实现 blocked by tops 库暂不支持 fused_recurrent_simple_gla，
已在 pallas-kernel 提 issue 跟踪：primatrix/pallas-kernel#89

[Rodrian7]

1.Decode 阶段使用 chunk_simple_gla_fwd 时，padding 到 chunk_size 会导致 state 被额外衰减 decay^(chunk_size-1) 步，影响正确性。改为使用 fused_recurrent_simple_gla，逐 token 处理，无需 padding。

2.Prefill 需要 kernel 支持 cu_seqlens_dev 以实现多序列边界隔离。已与 无患子 对齐，PR #153 新增 chunk_simple_gla_fwd_varlen。原方案调用 tops.ops.simple_gla.chunk_simple_gla_fwd，改为调用 tops.ops.simple_gla.simple_gla_fwd——传入 cu_seqlens_dev 时后者自动路由至 chunk_simple_gla_fwd_varlen。