perf(pd): reduce qwen3next prefill linear-att state memory

[sufubao]

PD 分离部署下，qwen3next 的 linear-att（conv/ssm）状态缓冲按 mtp_step + 1 个槽/请求分配。但 MTP verify 只在 decode 节点发生，prefill 节点只做 prefill 并把 KV 交给 decode，从不运行 verify，所以第 1..mtp_step 个槽在 prefill 节点对每个请求都空着。

引入 get_linear_att_state_mtp_size(args)：run_mode == "prefill" 返回 1，其余（normal / decode）仍为 mtp_step + 1。prefill 节点上：

• ssm 状态缓冲：(max_req + 1) * (mtp_step + 1) → (max_req + 1) * 1，约 mtp_step + 1 倍缩减；
• conv 状态最后一维：(kernel - 1) + mtp_step → (kernel - 1)。

normal 与 decode 路径不变。

正确性：KV 搬运页 kv_move_buffer 每个请求只承载一份 ssm 状态（ssm_shape 来自单个状态，与 mtp 无关）；_get_req_state_indexes 用 stride 只是在各自节点的 gpu ssm 缓冲里定位每个请求的第 0 行（canonical 槽）参与搬运——prefill（stride=1）与 decode（stride=mtp_step+1）取到的是同一份状态，两侧页格式一致。kernel copy_linear_att_state_to_kv_buffer 的 mtp_step 形参相应改为 ssm_state_stride，传入实际步长。

只做了 py_compile / 静态检查；E2E PD 显存实测待补。

[gemini-code-assist]

Caution

The consumer version of Gemini Code Assist on GitHub has been sunset. All code review activity has officially ceased.