[Feature]: [ops] 新增mindspore.ops.lightning_indexer接口

### 🚀 背景描述 #### Background [DeepSeek-V3.2](https://github.com/deepseek-ai/DeepSeek-V3.2-Exp) 引入了 DeepSeek Sparse Attention（DSA）机制，专为长上下文任务设计。DSA 通过动态稀疏注意力机制，使模型能够选择性地关注最相关的 token，而非处理整个输入序列，从而显著降低推理成本（超过 50%）并大幅加速长上下文处理。 `lightning_indexer` 是 DSA 算法的核心索引计算组件。对于每个新的 query token，lightning_indexer 负责计算要关注的 Top-$k$（默认 2048）个最相关 token 的索引位置。具体而言，给定 query 张量（形状为 `(h, d)`，其中 `h` 为 query head 数，`d` 为 head 维度）和上下文 key 张量（形状为 `(n, d)`，其中 `n` 为上下文长度），lightning_indexer 计算 query 与上下文之间的相关性分数（logits），并通过 head weights 加权后选取 Top-$k$ 个 token 索引。 计算公式： $$ Indices=\text{Top-}k\left\{[1]_{1\times g}@\left[(W@[1]_{1\times S_{k}})\odot\text{ReLU}\left(Q_{index}@K_{index}^T\right)\right]\right\} $$ 其中 $Q_{index}\in\R^{g\times d}$ 为 Index Query，$K_{index}\in\R^{S_{k}\times d}$ 为上下文 Index Key，$W\in\R^{g\times 1}$ 为 head weights，$g$ 为 GQA 对应的 group size，$d$ 为每个头的维度，$S_{k}$ 为上下文长度。 本 RFC 聚焦 `mindspore.ops.lightning_indexer`，用于在推理与训练场景下完成稀疏索引计算，功能对标 `torch_npu.npu_lightning_indexer`。 #### Benchmark（参考实现） - PTA 对标接口：`torch_npu.npu_lightning_indexer` - 备注：本 RFC 覆盖 NSA 的稀疏索引计算环节（对应 PTA 的 npu_lightning_indexer）。 ### 🚀 功能与接口说明 #### 功能概述 给定输入 `query`、`key`、`weights`，以及可选的序列长度和分块信息，计算每个 token 对应的 Top-$k$ 个位置索引： - 支持 BSND、TND 布局； - 支持 PageAttention（PA_BSND）布局的 key； - 支持非连续 Tensor； - 返回稀疏索引（`sparse_indices`）和对应的值（`sparse_values`）。 #### 对外 functional 接口 ``` mindspore.ops.lightning_indexer( query: Tensor, # BSND: [B, S1, N1, D], TND: [T1, N1, D], dtype: float16/bfloat16 key: Tensor, # BSND: [B, S2, N2, D], TND: [T2, N2, D], PA_BSND: [block_count, block_size, N2, D] weights: Tensor, # BSND: [B, S1, N1], TND: [T, N1], dtype: same as query *, actual_seq_lengths_query: Tensor | None = None, # [B], dtype: int32 actual_seq_lengths_key: Tensor | None = None, # [B], dtype: int32 block_table: Tensor | None = None, # PA场景: [B, max_blocks], dtype: int32 layout_query: str = "BSND", # 支持 "BSND", "TND" layo…