[RFC]: HyperOffload静态图场景优化

### 背景与目标描述. 在大模型的训练与推理过程中，随着网络规模和节点数量的持续增长，显存占用逐渐成为系统性能与可扩展性的主要瓶颈。单纯依赖扩充设备侧显存来缓解该问题，不仅成本高昂，也难以满足长期演进需求。为此，我们引入了 HyperOffload 功能，通过对计算图执行序列进行深度分析，结合节点间的数据依赖关系，对部分权重参数及中间计算结果进行智能卸载与预加载调度，从而有效降低网络运行过程中的显存峰值占用。 目前，HyperOffload 的优化算法主要以节点的生命周期作为是否进行卸载的判断依据，同时内存的预取与释放时机相对固定。为了进一步提升显存优化效果，需要对卸载节点的选择策略以及内存预取与释放的时机进行更精细化的优化。此外，该特性目前仍属于实验性质，需要针对 控制流场景（如切图与 SwitchInline 场景），View/Inplace场景进行进一步优化。同时，应对外提供多种策略选择机制及可配置参数，以实现该特性的更广泛适用性和泛化能力。 ### 建议的方案. 1. 扩展HyperOffload的优化策略，根据对整体执行序峰值的分析，来动态的选择卸载节点。 2. 优化节点的数据释放以及预取逻辑，根据节点传输的数据量，节点在计算流以及传输流之间的相对位置来动态的决定相关异步操作以及Event的位置，避免阻碍计算流执行，优化性能。 3. 针对inplace场景以及控制流场景进行进一步的适配以及性能优化。 ### 涉及到的对外API 暂无对外API ### 测试验证 在任意静态图用例上，开启HyperOffload功能，显存降低，模型精度不变，模型的性能没有较大规模的劣化即可证明该功能的正确性。 ### 期望的反馈时间. 2026/3/30 ### CC List. @zhangqinghua @liangzhibo @dingjinshan ### 其他补充信息. ### Before submitting a new issue... - [x] Make sure you already searched for previous [RFCs](https://gitee.com/mindspore/mindspore/issues?q=is%3Aall+label%3ARFC+sort%3Arecently-updated).