fix(mtp): preserve speculative groups in TP-SP batch alignment

[sufubao]

固定布局 MTP 与 TP/SP 同时启用时，只按 TP 对齐 decode batch 会破坏验证分组。例如 TP=8、mtp_step=2 时，3 行补成 8 行，无法满足固定布局的整除约束。本改动按 MTP 基础步长与 TP 的最小公倍数对齐普通 decode、overlap decode、CUDA Graph 档位及模型内部 graph 容量，上述情况补成 24 行。

复用 MtpManager 的每请求 token 数和基础对齐粒度：动态主模型容量仍按最大 verify 宽度预留，对齐粒度为 1；草稿模型沿用自身布局，并保留 chained/recurrent 模式常量及显式分支。graph 步长仅保留动态主模型特例，其余复用每请求 token 数。模型只增加共用的 batch 对齐函数，无额外布局初始化函数或缓存字段。保留下游断言和调度器请求上限。

验证：

• python -m pytest unit_tests/common/basemodel/test_model_output.py unit_tests/common/basemodel/test_cuda_graph_layout.py unit_tests/common/basemodel/test_cuda_graph_autotune.py unit_tests/common/basemodel/test_mtp_manager.py unit_tests/common/basemodel/test_overlap_utils.py unit_tests/common/basemodel/triton_kernel/test_dynamic_mtp_utils.py unit_tests/common/basemodel/triton_kernel/test_fa3_utils.py -q：179 passed，在 H200 环境执行，包含真实 CUDA 算子测试。
• 容量测试执行真实构造函数，覆盖 overlap 折半、MTP 倍率与向上对齐，在加载模型配置和权重前停止。
• 覆盖固定/动态验证、TP=1/2/4/8、草稿模式、空 batch、graph 边界和 eager 回退；动态 decode 使用每请求 1/2/3 个 token 的变长输入；补充动态配置下 DSpark/DFlash 草稿仍保留块宽度的回归。
• 修复已有 overlap 测试缺少 mtp_manager 的构造遗漏；真实 CUDA 上验证动态压缩及 FA3 元数据算子。
• Black、flake8 和 git diff --check 通过。

decode 调用链测试使用替代 forward/graph 对象，不能替代真实 attention 或 CUDA Graph capture/replay 验证。尚未运行真实多卡模型及性能评测；检查时 8 张 H200 均处于高负载，未启动多卡服务或压测。TP=8、verify 宽度=3 时最小 batch 从 8 行增加到 24 行，实际延迟及显存影响待测。