新增ASR 模型 FunASR-nano

📦 模型支持

新增 FunASR-nano（ASR）， 支持q3、q4、 q5、 q6、 q8

🚀 新特性

• Flash Attention 支持：Qwen3 注意力层新增 ggml_flash_attn_ext 路径，通过 llm_cparams::flash_attn 参数控制开关（默认开启）。相比标准多头注意力实现，Flash Attention 在长序列上具有更好的内存局部性和计算效率。
• 量化工具 rs-quantize：新增模型量化命令行工具，支持 Q4_0、Q4_K、Q5_0、Q5_K、Q8_0 等多种量化格式。funasr-nano-fp16 (1955 MB) → Q4_K (596 MB)，压缩 3.3x。

⚡ 性能优化

1. Decode KV 只追加新列：每步仅回读最后 1 列 KV（~0.1MB），替代全量回读（~50MB/步）
2. Prefill 仅输出最后位置 logits：logits 传输从 242MB 降到 0.6MB
3. Embedding lookup 内联到 decode 图：去掉每步独立 mini embed 图，省去 36 次 alloc/sched_reset 开销
4. KV 持久化驻留 GPU：用 ggml_backend_alloc_ctx_tensors 在 GPU 端独立分配 KV buffer，省去每步 ~100MB CPU→GPU 全量上传

GPU 性能基准 (Apple M1 Pro, funasr-nano-fp16, 15s 音频)：

阶段	优化前	优化后	提升
Decoder	4.36s	3.45s	21%
RTF	0.205	0.170	17%

🐛 Bug 修复

• Metal 后端 memcpy 静默失败：set_position_ids/set_input_data 改用 ggml_backend_tensor_set，修复 GPU tensor data 为 null 时的写入问题
• KV output tensor buffer 未分配：Prefill 分支直接将 3D ggml_cont tensor 标记为 output，避免 scheduler 不分配独立 buffer 导致 abort
• Causal mask shape：从 [n_tokens, n_kv] 改为 [n_kv, n_tokens]，修复 decode 阶段 n_tokens=1 时 broadcast 失败
• Flash Attention mask 类型：ggml_flash_attn_ext 要求 F16 mask，自动将 F32 mask 转换为 F16
• Flash Attention tensor 布局：permute q/k/v 从 [d_k, n_head, n_seq] 到 [d_k, n_seq, n_head]，匹配 ggml_flash_attn_ext 接口要求
• CI 构建修复：Windows DLL 搜索路径、rs_log/load_wav_file hidden visibility 链接错误、PowerShell 2>/dev/null 兼容性