fix(cuda): handle 64-lane warps in broadcast backward reduction

[chen2021673]

背景

BroadCast 反向传播 kernel 之前默认物理 WarpSize 为 32，在 32-lane 设备上运行正常，但在部分 WarpSize 为 64 的设备上会出现规约错误。

修改内容

• 将物理 Warp 划分为独立的 32-lane 逻辑 Warp
• 保留完整的 ballot mask，避免 64-lane mask 被截断
• 统一 shuffle、CUB 规约和共享内存的逻辑 WarpSize
• 新增跨多个逻辑 Warp 的广播乘法反向传播测试

测试

新增 {2, 64} * {2, 1} Broadcast Mul Backward 用例，验证：

• grad_a 均为 2
• grad_b 为 {64, 64}

maca C550 WarpSize=64 环境中测试：

CUDA 测试：