APITest 测试修复：🐛 修复 forward-only 用例的 autograd 冗余建图

[cangtianhuang]

Title: 🐛 修复 forward-only 用例的 autograd 冗余建图

🧭 背景

PaddleAPITest 的 accuracy_stable 会同时执行 Paddle 侧实现和转换后的 Torch 参考实现，用于验证多轮前向结果稳定性。对于 moe_permute 而言，输入规模可能很大，例如 bf16 hidden_states 为 [1048576, 1024]，按 expert 展开后的 hidden_states_unzipped 可达到 [8388608, 1024]，单个输出 tensor 约 16GB。

在这种场景下，测试只需要前向结果比对，不需要反向图；旧逻辑可能让 Torch 浮点输入默认 requires_grad=True，使 MoePermuteRule 中的大量索引和 slice assignment 构建巨大的 CopySlices autograd 图。这个图不会参与 backward 校验，却会增加显存、运行和对象析构成本，造成 测试成功但进程崩溃 的问题。

🛠️ 实现方案

本 PR 将输入是否需要 autograd 的判断集中至 TensorConfig，通过 _supports_autograd / _requires_autograd 表达 Torch 与 Paddle 共用策略。判断使用 tester/base_config.yaml 中的 forward_only_apis：命中后 Torch 输入生成 requires_grad=False，Paddle 输入同步设置 stop_gradient=True。

🔧 主要变更

1. 对齐 Torch/Paddle forward-only autograd 行为

forward-only API 不再因为浮点 dtype 自动开启 Torch autograd；对应 Paddle 输入也同步停止梯度记录。对非 forward-only API，Torch 仍按 backward 需求设置 requires_grad=True，Paddle 仍保持 stop_gradient=False。

2. 修复 bf16 Torch 输入 leaf 行为

bf16 backward 场景下，Torch 输入在 dtype cast 后重新设置为 leaf requires-grad tensor，避免最终输入携带 cast 产生的 grad_fn。

📁 改动文件

tester/
└── api_config/
    └── config_analyzer.py              # 统一 Torch/Paddle 输入 autograd 策略，并修复 bf16 leaf 行为

✅ 验证

修改后经测试，moe_permute 测试行为正常，不再发生进程崩溃。