[fea&fix] reshape support && named barrier memalloc && tle.gpu.copy with mask && barrier arrival

[Kafka-Hatsune]

为FlagGems hopper flash_attn_func_varlen PR进行的FlagTree功能补充与修复。包含以下四点：

1. 零拷贝 buffered_tensor.reshape

# 原共享内存视图：[32, 512]
q_smem = ...

# 重新解释为 [32, 4, 128]，底层共享内存不发生复制
q_packed = q_smem.reshape([32, 4, 128])

适用于 PackGQA 等场景，将同一块 shared memory 以 WGMMA 所需形状访问。

2. warp specialization 中保留 named barrier

ready = tle.gpu.alloc_barrier()

# ready 被捕获到 warp-specialized consumer partition
with tle.gpu.warp_specialize(...):
    tle.gpu.barrier_wait(ready)
    consume_shared_tile()

修复后，ready 仍降低为硬件 named barrier，不会因为跨 partition capture 而额外分配并初始化一个无用的 shared-memory mbarrier。

3. 带 mask 的普通 pointer copy

rows = tl.arange(0, BLOCK_M)[:, None]
dims = tl.arange(0, HEAD_DIM_PADDED)[None, :]
mask = (rows < valid_rows) & (dims < HEAD_DIM)

tle.gpu.copy(
    q_ptrs,
    q_smem,
    [BLOCK_M, HEAD_DIM_PADDED],
    mask=mask,
    other=0.0,
)

越界行和 padding head dimension 会在 shared memory 中补零，同时仍可被现有 lowering 优化为 cp.async。

4. participant barrier arrival

q_ready = tle.gpu.alloc_barrier(
    arrive_count=1,
    arrival_mode="participant",
)

# producer partition 中每个参与线程各到达一次
tle.gpu.barrier_arrive(q_ready, phaseIdx=phase)

# consumer 等待所有 producer participant 完成发布
tle.gpu.barrier_wait(q_ready, phaseIdx=phase)

例如 producer partition 有 128 个线程时，lowering 会将 mbarrier expected arrival count 初始化为 128，而不是由单个 elected thread 代表整个 partition 到达。

对照默认模式：

barrier = tle.gpu.alloc_barrier(
    arrival_mode="elected",  # 默认值
)

# 由 partition 中的 elected thread 执行逻辑到达
tle.gpu.barrier_arrive(barrier, phaseIdx=phase)

其中 participant/elected 只决定 direct mbarrier 的发布方式，不替代 cp.async.wait_group、线程 rendezvous 或 WGMMA 所需的 proxy fence。