RMSNorm：前向、反向，以及它为什么重要

第五个 kernel：RMSNorm，前向加反向。动机来自这条线的论文那一半——最近在读 Kimi K3 的报告，RMSNorm 反复作为报告里比较大的架构收益出现，就紧挨着注意力残差。感觉与其只是读到，不如动手写一遍。

前向：正确（最大差值 0.00195，属于正常的 fp16 容差），约 230 GB/s，对比未融合的 PyTorch 基线约 20 GB/s。和几周前 softmax 那次是同一个融合故事。

反向是更难的一半——得真的把梯度推出来（dx = rrms * (dxnorm - x_norm * mean(dxnorm * x_norm))），而且权重梯度需要跨每一行求和，不只是行内。这里用了 atomic_add，能跑通（dx 差值 0.0078，dweight 差值 0.0625，考虑到 dweight 的数值尺度更大，两个都没问题），但它的吞吐曲线是锯齿状的，不像前向那条那么干净——是真实的原子操作争用，不是 bug。不管怎么说，都还是比 PyTorch 快约 10 倍。

下一步：要么用一个正经的两阶段归约把原子操作修掉，要么直接进第 6 周。