Add ReplaySSM support for linear attention

[sufubao]

问题与结果

Qwen3-Next/Qwen3.5 的线性注意力在 speculative verify 时会为每个候选 token 保存完整 SSM state，状态写入和显存占用随 MTP 宽度增长。本 PR 增加默认关闭的 --enable_replayssm：GDN FP32 使用单份 checkpoint 和接受历史，GDN BF16/KDA MTP 使用紧凑 raw-input cache，避免保存候选状态快照。

实现

• GDN FP32 verify 只重建输出；接受后移动请求游标，历史满时才更新 checkpoint。
• checkpoint flush、CPU cache 和 PD 导出从 raw k/v 与 FP32 gate/beta 按原生递推重放，派生 delta 不进入长期状态。
• BF16 与 KDA 使用每轮提交的 Compact cache，保留逐 token 舍入语义；普通 BF16/KDA decode 继续使用现有 recurrent kernel。
• prefix cache、PD 传输和请求复用前统一 materialize/reset；功能通过新参数显式开启。
• KDA 路径为 GLM-5.3-Flash 预留，模型接入仍由 feat: add GLM-5.3 Flash with MTP and vision support #1575 负责，本 PR 不在 main 上开放 GLM。

验证

• m39 H200：34 passed, 4 skipped，覆盖 accepted prefix、不同窗口、CUDA Graph、循环 flush、CPU cache、PD page、请求复用以及 Compact/native 对比。实验记录：260920-170629-*。
• 48 层、width=4、接受 3 token 的内核参考形状：batch 32/68/96 相对原生分别为 1.06x / 1.09x / 1.16x；Replay state/history 约占原生 speculative SSM snapshot 的 44%。实验记录：260920-165530-*。
• SGLang 风格最小 16-token 矩阵 verify 在当前形状上明显回退，因此未保留；实现使用顺序 output-only verify。

未覆盖与评审重点

• 当前数据是内核测试，尚未在目标 SenseNova 权重上证明端到端 OTPS 收益；因此保持 opt-in。
• FP32 verify 会因浮点重结合出现生成差异，不承诺 token 级 bitwise parity。
• 请重点检查 accepted cursor、自动 flush 与 CPU/PD materialize 的状态边界，以及 KDA Compact 对 feat: add GLM-5.3 Flash with MTP and vision support #1575 的适配接口。