feat: add distopt AllGather - next step Forward overlap

[Chamberlain0w0]

背景

ZeRO-1/2 在 optimizer 更新本地参数分片后，需要通过 AllGather 恢复完整参数。

原实现会在 DistributedOptimizer::Step() 中启动并等待所有参数 AllGather 完成，下一轮 Forward 必须等全部参数同步结束后才能开始。实际上 Forward 只需要保证“当前即将使用的参数”已经同步，因此可以将后续 bucket 的 AllGather 与下一轮 Forward 计算重叠。

主要修改

1. 按参数实际使用时机同步 bucket

• optimizer step 完成后，只启动每个 model chunk 的第一个参数 bucket AllGather。
• 为包含直接参数的 Module 注册 Forward pre-hook。
• Module 执行前等待其依赖的 bucket AllGather 完成。
• 当前 bucket 完成后，链式启动下一个 bucket 的 AllGather。
• 后续 bucket 通信可以与前面 Module 的 Forward 计算重叠。

Non-overlap 路径保持原有行为，在 optimizer step 后完成全部参数 AllGather。

2. 管理跨 iteration 的 AllGather 状态

• 参数 buffer 初始已经是完整副本，第一次 Forward 前无需额外 AllGather。
• 每次 optimizer 更新后重新发布参数分片。
• 下一次 optimizer 写入参数前，确保上一轮仍在执行的 AllGather 已完成。
• 增加重复 dispatch 检查，避免同一参数版本被重复同步。

3. 建立稳定的 Module/Parameter 注册顺序

Forward pre-hook 的 bucket 顺序依赖参数注册顺序，因此为 Module 增加与 PyTorch 语义对齐的注册接口：

• RegisterParameter()
• RegisterBuffer()
• RegisterModule()

底层仍保留 unordered_map 用于按名称查询，同时使用 order vector 保存注册顺序。

以下接口改为按注册顺序遍历：

• Parameters()
• NamedParameters()
• NamedModules()
• Buffers()
• StateDict()
• To() / Apply()

同时支持：

• Parameters(recurse=false) 获取 Module 的直接参数。
• 重复注册同名对象时替换对象，但不改变原注册位置。
• 非持久 buffer 不写入 StateDict()。
• 注册名称和跨 registry 名称冲突检查。

项目内原先直接写入 registry map 的代码已迁移至 RegisterXXX()。