[fix] IPC barrier

[PengchengShi00]

Summary

1. 修复 LMDeploy IPC 持久化 buffer 写覆盖

LMDeploy IPC 按 dtype 缓存一块 GPU buffer，后续 bucket 是 copy 进同一块，对端读的也是这块。

• rollout TP=1：每个 rank 都是 head，写完就 POST，等 HTTP 200 再写下一批。训练写和推理读完全串行，不会因抢跑覆写。
• rollout TP>1：只有 head POST。非 head 只 gather_object，以前中间 batch 的 cpu_group barrier 还绑在 train_enable_ep 上。训练 没开 EP 时，非 head 不必等 head 的 200，就可以把下一批 copy 进同一块 buffer。若下一次 unshard 的 FSDP 组 不含该 engine 的 head，就不会被集合通信卡住，推理还在读第 N 批时内容已变成 N+1。

代码改动：LMDeployIPCBackendAdapter.after_update_per_batch 从 finished or (train_enable_ep and rollout_tp > 1) 改为 finished or rollout_tp > 1。

即 只要 TP>1，每个中间 batch 都 barrier，非 head 等到 head HTTP 回来再写下一拍。顺带去掉每个 submodule group 后的 empty_cache()，正确性改靠 barrier，不再依赖 allocator 副作用。

2. 其他引擎 / 其他传输为什么不容易踩同一坑

这是 LMDeploy 持久化 buffer 特有的「同一块还活着的 IPC 页被写下一批」。

SGLang / vLLM IPC：没有 pin 住的 buffer。每个 bucket 会 cat 出新的 flattened / reduce_tensor，发完引用就可以没了，不会主动 copy 进「上一拍那块还在被对端 map 的 tensor」。因此没有这次修的那条竞态。

NCCL / checkpoint-engine：不复用 CUDA IPC handle 指向的同一块 sender buffer，接收端自己的内存，没有这条写覆盖。

3. 单测

共卡（IPC）和分离部署（NCCL）都加了 generate 正确性检查，覆盖 SGLang 和 LMDeploy：

同一引擎 greedy generate 两次（确认引擎自身可复现）
权重更新（无训练 step）
再 generate，和第一次比 response / response_ids / sampled-token logprobs（atol/rtol=1e-5）
LMDeploy /generate 写死 do_sample=True，greedy 用 top_k=1 且 temperature=1.0（temperature=0 会除零）。SGLang greedy 仍用 temperature=0。

checkpoint 检查（SGLang WeightChecker）是互补用例，依赖私有 patch，默认 skip。

[PengchengShi00]

@claude review