Optimize flashmask sm90

[baoqiwen]

针对 flashmask v4 cutedsl sm90 做优化

27661bd：Optimize flashmask bwd: O1 m-block segments + full/partial mask split

1. O1 m-block 分段跳转（取代逐块跳过），直接用预算好的边界标量（LTS/LTE/UTS/UTE_nblock_max/min）几次整数除法算出最多 3 段连续可见区间，与 cpp 的分段跳转一致。
2. full/partial mask 拆分，新增 partially_masked 参数，与 cpp 对齐。

8c2e847：Optimize flashmask fwd: build block lists in a cute kernel instead of paddle ops

1. 把 fwd 每次调用前构建 block list 的 host 前处理从几十个 paddle op 换成一个 cutedsl kernel

d4fa1ab：Optimize flashmask fwd: drop per-call output zero-fill and skip SM90 reduce_block_count

1. fwd 去掉 per-call 输出清零，每个被调度的 (m_block, head, batch) tile 在 epilogue 都会无条件写满整块 O（全 mask 的行由 kernel 写 O=0 / LSE=-inf），所以未初始化缓冲是安全的。
2. SM90 跳过 valid_block_count 分配 + reduce_block_count kernel，这两处 sm100 才使用

f09d963：Encode flashmask partial flag into mask index for SM90 fwd

1. 把"这个 mask-list 块到底需不需要逐元素 flashmask"这一分类预先算好、塞进索引的空闲 bit，从而在 fwd 热路径上省掉逐块的 gmem 判定。

122faf4：Optimize flashmask cutedsl d256/dv256 bwd via atomicAdd dQaccum

1. 非 deterministic 的 d256 走 atomicAdd 路径——直接用 v4.f32 原子加把 dQ 寄存器写回 gmem，去掉 sdQaccum 与 warp-1 store 循环，省出 smem 开 num_stages_Q=2 并启用 dKV_swapAB/dQ_swapAB；deterministic 仍保留有序的 TMA 路径。

631ba7f：Optimize flashmask cutedsl d256/dv256 bwd: slice dQKV MMA + larger KV tile

1. d256 atomic 路径把 dV/dQ/dK 拆成两个 M-half 交错执行，让前半 dQ 的 atomicAdd 与后半 MMA 重叠。实测：d256/dv256 Full bwd 2087ms → 1844ms。
2. n_block_size 从 64 tuner 到 80。实测：d256/dv256 Full bwd 1844ms → 1523ms。

24e5363：skip causal mask on fully-visible blocks in SM90 fwd
SM90 前向 causal 注意力里,对角线以下那些"全部可见、不需要掩码"的 K/V 块之前还在逐元素跑一遍无用的 causal mask,现在直接跳过(仅在有 FlexAttention mask_mod 时才保留),从而砍掉约一半块的冗余整型比较,把 d128 causal 前向从 15.7ms 降到 14.2ms。（对齐cpp实现）

[baoqiwen]

cpp 描述：单开一个 bool 数组存 partial flag，放在 smem，会引发 4-way bank conflict。把 partial flag 编进 n_block 这个 int 里，既省 smem 又消除 bank conflict。

cutedsl 设计：
bit 0–29(30 位): block 下标, 范围 0 ~ 2³⁰-1。
bit 30(1 位)：fm_partial 标志(1=部分被 mask, 需逐元素 apply; 0=全可见, skip)。
bit 31(符号位)：特意不用，保持为 0，让整个值恒为非负。

cpp 用符号位存 flag，(索引占 31 位);
DSL 用 bit30 (索引占 30 位, 符号位留空换取全程非负、无移位陷阱，更加安全)。
block idx 不可能超过 2**30 的，不然早 oom 了。用 30 bit 也十分安全。

[baoqiwen]

这地方其实无所谓，反正如果这里是非 pad，进了 bwd post 之后也会统一 pad。
看 overlap pr 合入后，统一一下写法。保持外部全部非 pad，由 bwd post pad。