优化 npu_swiglu_forward：拼接投影权重而不是拼接激活以降低内存并提升 NPU 性能

Checklist / 检查清单

• I have searched existing issues, and this is a new question or discussion topic. / 我已经搜索过现有的 issues，确认这是一个新的问题与讨论。

Question Description / 问题描述

位置

• 文件: swift/model/npu_patch/model.py
• 函数: npu_swiglu_forward
• 链接: https://github.com/modelscope/ms-swift/blob/main/swift/model/npu_patch/model.py#L193

问题综述
当前实现先对 hidden_states 分别进行 gate_proj 和 up_proj，得到两个激活张量后再在最后一维上做 torch.cat，然后调用 torch_npu.npu_swiglu 进行融合激活，最后再做 down_proj：

gate = self.gate_proj(hidden_states)
up = self.up_proj(hidden_states)
cat = torch.cat((gate, up), dim=-1)
activated = torch_npu.npu_swiglu(cat, dim=-1)
return self.down_proj(activated)

建议与理由
建议改为“拼接投影层的权重（和 bias）而不是拼接激活”。也就是说，预先把 gate_proj 和 up_proj 的权重在输出维度上合并为一个权重（以及对应 bias），然后用一次线性变换得到等价的 concatenated activation，再调用 npu_swiglu，如：

# 合并投影层的权重/偏置
W_cat = torch.cat([self.gate_proj.weight, self.up_proj.weight], dim=0)  # output dim concat
b_cat = None
if self.gate_proj.bias is not None or self.up_proj.bias is not None:
    b1 = self.gate_proj.bias if self.gate_proj.bias is not None else torch.zeros(self.gate_proj.out_features, device=W_cat.device, dtype=W_cat.dtype)
    b2 = self.up_proj.bias if self.up_proj.bias is not None else torch.zeros(self.up_proj.out_features, device=W_cat.device, dtype=W_cat.dtype)
    b_cat = torch.cat([b1, b2], dim=0)

# 直接一次线性变换得到 cat 激活，避免分配两个中间激活
cat = F.linear(hidden_states, W_cat, b_cat)
activated = torch_npu.npu_swiglu(cat, dim=-1)
return self.down_proj(activated)

主要好处

• 降低内存峰值：避免同时存在 gate 和 up 两个中间激活，尤其在 batch 大或序列长时效果明显。
• 减少内存拷贝与张量分配：在 NPU 上能够减少不必要的数据移动，提升性能。
• 更好地控制 dtype/device：在构建合并权重时可以一次性对齐 dtype/device，减少隐式转换。
• 保持与现有数学等价：合并权重后的一次线性计算与分别计算再 concat 在数值上等价（在无非线性/状态依赖时）。

注意事项与实现细节

• 合并权重需保证两层的输入维度一致（通常是相同的），并按输出维度拼接（output dim）。
• 如果 gate_proj/up_proj 是带有特殊 forward 的模块（比如有参数化 dropout、噪声等），需要确认直接拼权重是否仍然可行。
• 如果模块被包装（例如 nn.Linear 被替换或按列分块），需要检查属性名（weight, bias）是否存在。实现时应加健壮性检查并在不可行时回退到现有实现。
• 在多设备或分布式场景要注意权重合并时的设备/数据布局。

建议的验收条件

1. 提交实现后在至少一个 NPU 机器上跑对比基准，验证峰值显存降低和/或前向延迟下降。
2. 在 CPU/GPU 环境提供功能等价的 fallback（例如未能读取权重时使用原实现）。
3. 添加单测验证合并权重实现与原实现的输出在数值上接近（允许小数值误差）。

可选扩展

• 将权重合并逻辑缓存为模块属性（例如 self._cached_cat_weight）避免每次前向重新 concat 权重。注意训练时要在权重更新后刷新缓存。
• 在模块初始化或迁移脚本中一次性合并权重，并在训练/微调时按需恢复为可训练的拆分权重（如果需要单独优化）。

我建议由实现者在 npu_patch 中加入此优化分支，并在 PR 描述中附上基准对比图表。