feat(checkpoint): support universal checkpoint

[li126com]

特别声明：本功能模块技术路线基于veScale checkpoint和ByteCheckpoint实现。
veScale：https://github.com/volcengine/veScale/tree/main
ByteCheckpoint：https://arxiv.org/abs/2407.20143

通用检查点系统

通用ckpt系统独立于原版ckpt系统，相互不兼容。

基本功能

Dense 模型下 model ckpt 和 optimizer ckpt 的各种并行配置的动态加载支持:

• GPU world size
• tensor parallel
• pipeline parallel
• isp + wp
• zero1

优化项

• dp balance save：在同一组data parallel之间采用均分模型到每个dp rank，各自保存对应的ckpt。默认选项。
• saving cache：训练过程中第一次检查点保存后将 save plan 以及 global meta 进行缓存，仅占用KB级host memory，在后续的检查点保存中可直接读取cache无需重新计算切片信息。默认选项。
• async save:：异步检查点保存，实际的IO过程将不会阻塞程序继续进行，在下一次检查点保存之前进行同步操作，此功能在首次保存ckpt时不生效。可选选项。
• broadcast load：加载时对于同一组DP ranks，仅dp rank 0进行文件读取，再通过broadcast的方式广播到其他dp rank。可选选项。

精度验证

从dp4_zero2_tp2_pp2的配置下第100步ckpt开始续训：

性能对比

7B，16卡，dp4_zero2_tp2_pp2的配置
保存ckpt时间：
原版ckpt：38.8s
通用ckpt：首次保存18.5s，后续保存0.88s （save cache + async save）

加载ckpt时间：
相同配置下再加载，通用ckpt和原版ckpt时间差不多都在22s左右。
变动配置下，取决于具体的新配置，上述精度测试几组实验下来通用ckpt加载时间为22s-70s