[RFC]多维并行的随机状态管理

当前发现的问题

当用户没有手动设置随机状态时(manual_seed())，DTensor的op_random操作会在op_dispatch里创建默认的OffsetBasedRNGTracker(显式执行)，此时会执行platform.broadcast(rng_state, 0)操作，多个stage场景下会有问题。

业界情况调研

pytorch也有类似问题：在pp场景进行 lazy_init RNGTracker时，会出现卡死问题
具体说明：https://github.com/pytorch/pytorch/pull/141223
解决办法：手动调用manual_seed方法，不同stage设置不同的seed

例如torchtitan做法：初始化的时候会将不同的stage设置不同的seed

扩展

pytorch针对这个问题的讨论：https://github.com/pytorch/pytorch/issues/140301，
问题如下：

1. 当前没有考虑PP场景
2. 实现过于复杂
3. 用户设置的seed有可能被覆盖(根据不同场景(TP\DP等)自动执行操作)

提出的解决办法：

1. 扩展接口 torch.distributed.manual_seed(seed, sharded_groups=[pp, tp, fsdp]) 感知到DeviceMesh及并行分布
2. 全局只创建一个RNG tracker对象，统一管理

结果：没有被采纳，设计初衷和DTensor违背

hyper解决办法

补齐Dtensor下的manual_seed方法，在pp场景，当前需要用户显式调用manual_seed方法，不同的stage设置不同的seed。
后续：统一在集群拉起阶段(init_dist)由框架自动拉起，类似torchtitan。

schema_version: 1
source: gitcode
gitcode_repo: mindspore/hyper-parallel
gitcode_issue: 153
source_url: https://gitcode.com/mindspore/hyper-parallel/issues/153

Start by reading the DTensor op_random and op_dispatch paths, especially the default OffsetBasedRNGTracker and its platform.broadcast(rng_state, 0) call. Review the linked PyTorch discussions and the torchtitan approach. Done should include a DTensor manual_seed implementation that supports distinct seeds for pipeline-parallel stages; the issue does not name tests or files to update.