测试基建：🧪 补齐 FP8 融合算子精度测试支持，修复 GPU 测试模式

[cangtianhuang]

🧭 背景

PaddleAPITest 通过将 Paddle API 转换为 Torch 参考实现来进行前向和反向精度对比。paddle.incubate.nn.functional.fp8_quant_blockwise 与 fused_act_dequant 涉及 FP8 量化、scale 计算及激活反量化路径，缺少对应转换规则时无法建立可比的 Torch 基线，相关算子的精度回归也无法纳入自动化验证。

FP8 场景同时依赖 GPU 输入与输出的生命周期管理。此前 use_gpu_cache_mode 的命名只能表达缓存语义，实际行为还包含 GPU 模式下的清理策略；并且 Paddle 的 NaN/Inf 数值检查错误未被归为 paddle_error，会降低失败结果的可读性。

🛠️ 实现方案

为两个 Paddle API 在映射表中注册专用 Rule，并在转换规则中生成独立的 Torch 参考计算。fp8_quant_blockwise 按内核语义计算 block-wise amax、量化 scale 和反向存储 scale，支持 1x128、128x128 两种量化方式以及转置、pow2 scale 和 UE8M0 scale 等配置；量化结果使用 Torch 的 float8_e4m3fn 表示。fused_act_dequant 将 scale、反量化与激活逻辑转换为可执行的 Torch 路径。

同时将全链路 GPU 开关统一为 use_gpu_mode / USE_GPU_MODE，使引擎、运行配置和输入构造共享同一语义，并保留 GPU 模式下跳过清理的行为。运行时错误分类补充 NaN/Inf 数值检查标识，确保该类 Paddle 侧失败被稳定记录。

🔧 主要变更

1. 新增 FP8 算子的 Torch 参考实现

为 fp8_quant_blockwise 与 fused_act_dequant 增加映射和转换规则，补齐必填参数默认值，使自动生成 case 可以转换并进入 Paddle/Torch 精度比对流程。

fp8_quant_blockwise 的参考实现覆盖 block-wise scale 计算、量化输出、scale 转置及仅返回转置结果等分支，并对不支持的量化方式显式报错，避免产生无效对比结果。

2. 统一 GPU 模式配置

将 use_gpu_cache_mode 统一更名为 use_gpu_mode，同步更新 V2/V4 引擎、启动脚本、YAML 配置和配置 schema。GPU 模式不再只被理解为输入缓存开关，设备缓存清理与 Tensor 构造逻辑均由统一配置控制。

3. 完善精度任务失败分类

将 Paddle 的 There are nan or inf 与 check_numerics 错误归类为 paddle_error，避免数值检查失败被错误归入其他运行时异常类别。

📁 改动文件

类别	文件	功能说明
FP8 转换	tester/paddle_to_torch/mapping.json	注册 FP8 算子映射并补齐默认参数
FP8 转换	tester/paddle_to_torch/rules.py	实现 FP8 量化和融合激活反量化的 Torch 参考规则
运行时分类	tester/base.py	将 NaN/Inf 数值检查失败归为 Paddle 错误
GPU 模式	engineV2.py、engineV4.py、run.py	统一命令行与引擎侧 GPU 模式开关
GPU 模式	tester/api_config/config_analyzer.py、tester/accuracy.py	基于统一 GPU 模式构造输入并执行精度对比
配置与脚本	test_pipeline/run_config.yaml、test_pipeline/run_config.schema.json、run-example.sh、run-v4.sh	更新配置字段和示例启动参数

[paddle-bot]

Thanks for your contribution!