Use put_along_axis for Paddle routing metadata

[SigureMo]

背景

Paddle 版 HybridEP 的 indices_to_map() 之前通过 scatter_nd_add 构造 dense routing map/probs。这是为了绕过 Paddle compat 下 torch.scatter 的兼容问题，但实现比上游 scatter 语义更绕，也引入了额外的索引展开和临时 tensor。

修改

• 将 indices_to_map() 中的 scatter_nd_add 路径改为 paddle.put_along_axis。
• 复用 topk_idx.to(torch.int64)，避免重复转换。
• 保留 uint8 -> bool 的 routing map 写法，因为 Paddle 当前没有 CUDA bool put_along_axis kernel，不能直接恢复成上游 dtype=torch.bool scatter 写法。
• 将 tensor 创建方式收束为 device="cuda"，更接近上游写法。

验证

逐位对齐：

• 两机 2x8 复跑 A1B topk=2 逐位对齐。
• final_layernorm_output MD5：rank 0/8 均 ordered_unique_neq = 0/100。
• tr_loss_before_reduce：rank 0/8 均 paired_neq = 0/50。

性能验证：

• 同配置 A/B 对比 put_along_axis 与旧 scatter_nd_add 实现，统计 step 51-100。
• global_steps_per_second：0.359827 vs 0.349351，约 +2.91%。
• tokens_per_sec_per_card：5895.404 vs 5723.763，约 +2.91%。
• dispatch/combine 时间整体接近，端到端吞吐有小幅提升。

^{This PR is authored by @codex (gpt-5.5 xhigh)}

[Copilot]

Pull request overview

This PR updates the Paddle HybridEP indices_to_map() helper to build dense routing metadata using paddle.put_along_axis instead of the previous scatter_nd_add-based construction, aiming to reduce index expansion and intermediate tensor overhead under Paddle compat.

Changes:

• Replaced the scatter_nd_add-based dense routing map/prob construction with paddle.put_along_axis.
• Reused a single topk_idx int64 conversion to avoid repeated casts.
• Kept routing map materialization via uint8 -> bool to work around missing CUDA bool put_along_axis support.

---

💡 Add Copilot custom instructions for smarter, more guided reviews. Learn how to get started.