automodels目录重构

需求背景

hyper_parallel/auto_models/ 在演进中成为承载模型适配、Trainer、数据、分布式构建与公共组件的单一日录，模块职责混杂、依赖方向不清：models/trainer/data 平级语义无法表达，components 同时装优化器、损失、量化、checkpoint 与数据集，新组件接入位置无规可循；同时存在 legacy core/shard API、旧 hyper_parallel/models 兼容包等多套入口，维护成本高、语义易漂移。

需要一次目录级重构，将 auto_models 拆分为职责单一的顶层包，固化依赖方向，收敛唯一对外接口与唯一训练入口，并保证对外 API、配置契约与训练行为完全不变。

开发设计

顶层拆分：auto_models/ 溶解为 models/（模型族 adapter 层 + api/build_options/replacement/_transformers，对外接口）、components/（modules/functional/quantization/losses/optim/checkpoint）、distributed/、trainer/、data/ 五个顶层包。
固化依赖方向：trainer ──► models ──► components/distributed ──► core/platform，data 仅依赖 torch/transformers；distributed → models 仅允许 build_options 叶子 DTO 及 planner 函数级的 registry 查询。
模型族 adapter 层：Qwen3-MoE 的替换工厂、CP/EP 契约收敛至 models//adapter/，通过 ModelAdapterSpec 声明、目录约定自动发现注册；唯一训练入口收敛为 models/qwen3_moe/recipes/train.yaml，删除 legacy fusion 文件。
构建管线拆分：checkpoint 收尾并入 checkpoint_loader，plan DTO 边界归一化，god module 拆分为 model_builder，registry 拆分为 config_resolver + models/registry。
清理：删除 legacy core/shard API、旧 hyper_parallel/models 与 components 兼容包；references 在 py/yaml/sh/setup.py 及文档中全量改写。
测试先行的表征测试策略（M0）：迁移前锁定公共 API 签名/dataclass 字段快照、构建顺序 golden case、训练 YAML 快照与共享 fixtures，迁移中逐阶段保持绿色；门禁环境无法承载的用例（依赖坏掉的 torch_npu/torchvision 传递链、仓库文件系统路径）按类别剔除，保留可独立运行的导入边界探针。
验收标准

对外公共 API 的符号名、inspect.signature、dataclass 字段顺序/默认值及 all 在重构前后一致，有 UT 快照覆盖。
入口包导入无分布式初始化、无网络副作用，导入边界有 UT 守护。
唯一 recipe models/qwen3_moe/recipes/train.yaml 可驱动完整训练，替换/CP/EP 契约 UT 覆盖。
实际集群训练行为不变：910C 16 卡 Qwen3-30B-A3B 训练验证通过。
验证结果

已在独立 editable 安装的公共源码上执行：

HYPER_PARALLEL_PLATFORM=torch PYTHONNOUSERSITE=1 python -m pytest -q tests/ut/
结果：全量 UT 4562 passed；表征测试套件全绿。

已在 910C 集群完成 16 卡 Qwen3-30B-A3B 训练验证，训练正常收敛，行为与重构前一致。

本次 squash 前后代码树一致；分支保持单 commit（58 个阶段提交 squash 为一个）。服务端 CI 与 CodeCheck 待 PR !1328 创建后验证。

schema_version: 1
source: gitcode
gitcode_repo: mindspore/hyper-parallel
gitcode_issue: 368
source_url: https://gitcode.com/mindspore/hyper-parallel/issues/368

Start by reading the proposed auto_models/ split and the existing hyper_parallel/auto_models/ tree, then run tests/ut/ to establish the current baseline. Trace the public APIs, model-builder and distributed boundaries described in the issue, with models/qwen3_moe/recipes/train.yaml as the training entry point. Done means the stated package layout, API snapshots, import-boundary tests, full unit suite, and training validation remain correct.