feat(overlap): global gemm_num_sms SM cap for frontier GEMMs

[A-nnonymous]

背景 / Motivation

要在训练/推理中做计算-通信多流 overlap（把 MoE 的 GEMM 与 DeepEP/HybridEP 通信放到不同 CUDA stream 并发），必须限制 GEMM 占用的 SM 数，给通信 kernel 留出资源。参考 DeepGEMM 的 set_num_sms 单旋钮语义。

sonic-moe 的 FP8/BF16 frontier GEMM 全走 CUTLASS DSL persistent tile scheduler，grid.z (num_persistent_clusters) 由 max_active_clusters 决定，即 SM 占用上界。本 PR 加一个统一的全局旋钮把它按预算收窄。

改动 / What

• SonicMoEConfig.gemm_num_sms（+ resolve_gemm_num_sms()）：优先级 config 字段 > 环境变量 SONIC_MOE_GEMM_NUM_SMS > None（用满全部 SM）。<=0 视为未设。
• 新增 quack_utils/sm_limit.py：capped_max_active_clusters(cluster_size, persistent=) 返回 min(硬件满占用, num_sms // cluster_size)，下限 1。只依赖 ..config + quack.cute_dsl_utils，无循环依赖。
• 将所有 frontier max_active_clusters 走此收口：gemm_gated、gemm_dgated、gemm_sm100_fp8_zeromat（3 处）、blockscaled_fp8_gemm（7 处）、以及 BF16 wgrad varlen_k GEMM。不改任何公开签名。

正确性保证 / Correctness

收窄只降低 grid.z，不改变归约顺序，因此输出与不限流 bit 完全一致。max_active_clusters 以运行时动态 Int32（TileSchedulerOptions）传入，不进 compile_key，改值无需重编译。

验证 / Verification（B300 / SM103，148 SMs）

• tests/ops/test_gemm_sm_cap.py：resolution 优先级、数值收窄、bf16/fp8 gated GEMM 在 cap=64/112 下 bit-exact + 无重编译——8 passed。
• 现有回归（gated/dgated/varlen/blockscaled/zeromat/quant 变体、bf16-mode wgrad）在 SONIC_MOE_GEMM_NUM_SMS=64 下全部通过。
• grid.z 随 cap 变化：max_active_clusters 148→112→64。
• 单算子延迟（up-proj gated，ERNIE shape T=8192,H=3072,I=1536,E=8,K=8，fp8）：全 SM 699µs → cap 64–112 约 720–730µs（~1.03–1.05x），换取释放 30–50% SM 给通信。tests/ops/bench_gemm_sm_cap.py 可复现。

用法 / Usage

from sonicmoe import SonicMoEConfig
cfg = SonicMoEConfig(use_fp8=True, gemm_num_sms=112)   # 留 36 SM 给通信
with cfg.activate():
    out = moe(x)
# 或：SONIC_MOE_GEMM_NUM_SMS=112

🤖 Generated with Claude Code