是否可以支持KTransformers，优化Moe的微调成本？

Describe the feature
看到同类框架 联手 KTransformers 推出降低moe模型训练成本的方案。

原文如下：
实现超大规模模型的 LoRA 微调，彻底解决之前 HuggingFace/Unsloth backend 跑不动、不支持的问题，70G 显存即可LoRA微调 671B 模型！

⭐️核心亮点速览
硬件门槛低：14B 模型微调仅需 6GB GPU 内存，671B 模型总 GPU 内存控制在 70GB 内（可分在多张显卡）；
速度效率高：14B 模型微调吞吐量比 HuggingFace 快 75%，671B 模型也能稳定跑 40 token/s；
用着超顺手：沿用 LLaMA-Factory 的原生工作流，不用改一行核心代码，老用户零学习成本；
场景适配强：风格对话、西式翻译、非洲医疗 QA 等场景均验证成功。

🛫后续规划
近期会完善更多模型支持（比如 Qwen3-MoE、Kimi-K2 的微调模板）；
优化多 GPU 调度逻辑；进一步降低 CPU 内存占用。

现在大家可以直接在 LLaMA-Factory 里启用 KTransformers backend 体验，相关配置示例和优化规则已同步到双方开源仓库。非常感谢大家的关注和支持，后续会持续迭代，让超大规模模型的微调 / 部署更流畅、更易用！

Paste any useful information
参考文档：2张4090竟能本地微调万亿参数Kimi K2！趋境联合清华北航把算力门槛击穿了
https://mp.weixin.qq.com/s/cNk68HrnBaVDABbsCGl4NQ

Additional context
Add any other context or information here(其他信息可以写在这里)

The issue proposes adding a KTransformers backend for MoE fine-tuning, but it names no ms-swift files, tests, or entry points. Start by locating the existing backend and MoE fine-tuning integration points, then compare the referenced KTransformers configuration and optimization rules. Done should include documented support and validation for the proposed workflow.