Support documented FSDP2 + sequence/context parallel (SP/CP) combo for long-context QLoRA; combining flags on 2 GPUs hits CUDA illegal memory access

Checklist / 检查清单

• I have searched existing issues, and this is a new bug report. / 我已经搜索过现有的 issues，确认这是一个新的 bug report。

Bug Description / Bug 描述

背景 / Motivation
长上下文 QLoRA（如 32k）时，仅 FSDP 只能切分权重，每卡仍跑满序列，激活/cross_entropy 容易 OOM；仅 SP/CP 切序列可以顶住，但缺少权重分片。Axolotl
已有一等配方 FSDP2 + context_parallel_size（例如 4 卡上 CP=2 × dp_shard=2）。ms-swift 分别提供：

• FSDP / FSDP2（权重分片）
• --sequence_parallel_size（Ulysses + Ring，文档中的 SP）

但没有官方文档/示例将两者作为推荐组合；仓库脚本与示例多为「二选一」。我们希望 ms-swift 明确支持（或明确拒绝并给出安全替代）FSDP(+FSDP2) + SP/CP 的 2D
并行，并保证 CP/SP × FSDP shard 与 world_size 一致（例如 4 GPU → 2×2）。

实际行为 / What happens
在 2× GPU 上同时启用 accelerate FSDP（QLoRA / bitsandbytes 4bit）与 --sequence_parallel_size=2 时，模型可完成加载并进入
training_step，但在首步前向/loss 路径出现：

torch.AcceleratorError: CUDA error: an illegal memory access was encountered

堆栈大致落在 Trainer training_step → compute_loss / template SFT loss（与 ring/SP + FSDP 同进程组叠用相关）。这与「纯 FSDP @ 32k → CUDA OOM」或「纯 SP
可跑」都不同，更像未文档化组合下的错误/未定义行为，而非单纯显存不足。

对比：同机同模型用 Axolotl FSDP2 + CP，在 mesh 维度与 world_size 对齐（如 4 卡 2×2）时可正常建并行布局；若误设 CP×dp_shard > world_size
会在启动期明确报错，而不是 silent 进 step 后 illegal access。

期望 / Expected

1. 文档中给出官方支持的 FSDP2 + --sequence_parallel_size（或等价 CP） 配方（含 2/4/8 卡下 SP/CP 与 FSDP shard 如何取值，使乘积 = world_size）。
2. 若不支持：在参数解析阶段 显式报错（类似 “FSDP and sequence_parallel are mutually exclusive”），避免进训练后 CUDA illegal access。
3. 若支持：提供最小可复现示例（QLoRA + FA2 + 长 max_length），并说明与 DeepSpeed / device_map 的互斥关系。

环境摘要 / Environment (summary)
• ms-swift ~4.4.x，PyTorch 2.11 + CUDA 12.8，flash-attn 2.8.x
• 模型：Qwen2.5-72B 类 dense（Kimi-Dev-72B），QLoRA 4bit + LoRA on attn projs
• 2× GPU 时实验叠开 FSDP + sequence_parallel_size=2 → illegal memory access
• 纯 FSDP @ 32k → OOM；多卡纯 SP 长序列可顶住（与「需要切序列」一致

How to Reproduce / 如何复现

1. 安装带 FA 的 GPU 环境：ms-swift、bitsandbytes、flash-attn、accelerate FSDP。
2. 准备任一 Qwen2 dense 大模型 QLoRA 配置，max_length 设为较长（如 8192–32768），attn_impl=flash_attn。
3. 双卡启动，同时打开：
   • accelerate distributed_type=FSDP（或 ms-swift FSDP2 路径）
   • --sequence_parallel_size 2（及项目所需的 padding_free / SP 相关项）
   • QLoRA：--quant_method bnb --quant_bits 4，--bnb_4bit_quant_storage bfloat16 等
4. 观察：权重可加载，进入首个 training_step 后出现 CUDA error: an illegal memory access was encountered（非清晰的 OOM / 互斥参数错误）。
5. 对照：同一设置去掉 FSDP、只保留 sequence_parallel_size=2（或去掉 SP、只保留 FSDP）时，失败模式变为可解释的 OOM 或可训练，而不是同一 illegal
   access。

Additional Information / 补充信息

No response