Potential bug in get_num_blocks calculation for specific grouped GEMM types

Bug Description
在 csrc/jit_kernels/heuristics/common.hpp 的 get_best_config 函数中，计算总线程块数量的逻辑 get_num_blocks 似乎没有正确处理所有grouped GEMM 类型。
get_num_blocks 的实现为：
ceil_div(m, block_m) * ceil_div(n, block_n) * num_groups;
Problem
1. 对于 m_grouped_fp8_gemm_nt_contiguous 类型的 GEMM (调用入口在 csrc/python_api.cpp)，传递给 get_best_config 的参数 m 是被所有 group 共享的总 M 维度。在这种情况下，get_num_blocks 的计算结果似乎被错误地放大了 num_groups 倍。
2. 而对于 fp8_m_grouped_gemm_nt_masked 等其他 grouped GEMM 类型，传递的 m 是单个 group 的 M 维度，此时 get_num_blocks 的计算是正确的。
这种不一致的处理方式可能导致在 MGroupedContiguous 场景下启动过多的线程块，造成资源浪费。

不知道我的理解是否正确，期待您的解答！