fix: fix param grad sync under SP

[Chamberlain0w0]

https://gxtctab8no8.feishu.cn/docx/FR88dJOZPoXT1Ox1TH1c2abpnof

[kilinchange]

FinalizeModelGrads 绑定到 optimizer 上感觉职责不太合适。optimizer 接收到的 grad 应该已经是 finalize 后可用于更新的完整梯度，本身只负责后续的 clip / step 等操作。

另外，将 FinalizeModelGrads 放到 optimizer->Step() 内部也容易影响 clip 执行顺序（理论上应该保证：
FinalizeModelGrads -> clip -> step，因为 clip 需要基于最终同步完成的梯度计算）。

建议目前在 optimizer->Step() 之前显式调用 nn::parallel::FinalizeModelGrads(named_parameters)；后续如果抽象统一的 training/schedule 入口，再将这部分逻辑收进去。Megatron 也是在 forward/backward schedule 结束后调用 finalize_model_grads，而不是绑定到 optimizer：

（no pipeline schedule 情况，带 pipeline 时类似）https://github.com/NVIDIA/Megatron-LM/blob/0ac6ffd3859fef41bbfcd92a67d56861a79d4b34/megatron/core/pipeline_parallel/schedules.py#L866

[Chamberlain0w0]

改了一下。现在是 training loop 里面需要显式调用 nn::parallel::FinalizeModelGrads，但是传入的是 model chunks vector。在 backward 完成、optimizer 更新前，统一调用 FinalizeModelGrads(model_chunks)：先完成 DP 同步，再执行 SP 梯度的 TP SUM。

另外对应做的修改：

1. 原位于 DistOpt 里面的 StartGradSync() 和 FinishGradSync() 交由 DDP model 管理；同时删除 StartGradSync()，因为 DDP 里面实际同步开启时机相对固定，简化起见目前不需要额外留这个用户接口；

2. 未做引入 main_grad 基建的设计，而是让 bucket group 新增 LocalGradShard 映射表：DistOpt 在原有 BuildShardParamsAndBindGrads() 中登记原参数与本地梯度 view，finalizer 据此处理 ZeRO-1/2，尤其解决 ZeRO-2 原参数 grad() 为空时的梯度访问问题。只保存引用，不新增显存 buffer。

   问题简述：
   我们现在实现没有一个统一的 main_grad 的全局 buffer，并且 zero2 里面切梯度，只在反向过程中会算临时 full grad，一方面不会把这个 full grad 写入 tensor.grad，RS 之后也不会把 grad shard 写到 tensor.grad 里面（不符合 tensor.shape == grad.shape 的约束）。之后 finalize 统一入口没法通过 param 获取对应的 param.grad，可能需要额外的维护一个 map

[Chamberlain0w0]

由于精度修复，gpt2/llama3 测例开了 SP 的情形（case 5/8）都有一定程度偏移，qwen 的带有 tp 的测例也有偏移

[Chamberlain0w0]

[kilinchange]

这里是针对 Qwen 结构的特殊逻辑，建议将这部分封装为一个通用工具函数，放到这个文件上方的匿名空间里，函数命名带上 Qwen 标识，且在注释中进行说明；另外，为什么不直接判断 name.ends_with("q_norm.weight")，是会存在类似 xxxq_norm.weight 的参数命名吗？