fix(vpto): preserve MXFP4 load offsets and scale strides

[erhsh]

概要

• 在 L1 到 L0 的 wrapper 展开过程中保留用户指定的 packed-FP4 kStart
• 为 MX scale load 增加可选的源端和目标端 stride 覆盖参数
• 在 PTODSL 中开放 stride 覆盖能力，同时保留原有的自动推导默认行为
• 补充 PTODSL 与 VPTO 回归测试，覆盖非零 FP4 偏移和显式 MX stride

问题背景

packed-FP4 的 L1 到 L0 展开逻辑此前会同时换算 kStep 和 kStart。因此，用户指定的 start_col = 4 最终会被错误生成为原始指令中的 kStart = 2，导致相邻 K 子块的数据范围发生重叠。

MX scale wrapper 指令此前只能根据逻辑 tile shape 推导源端和目标端 stride，无法表达某些合法布局。例如，需要 src_stride = 8、dst_stride = 4 的布局会被静默生成为 4/4。

这两类问题都可能正常编译，但在运行时读取错误的数据或 scale 元数据，进而产生静默数值错误。

修改内容

• 保持 kStart 的原始语义，仅对 packed-FP4 的 kStep 进行宽度换算
• 为 mte_l1_l0a_mx 和 mte_l1_l0b_mx 增加可选的 src_stride、dst_stride 参数
• wrapper 展开时优先使用显式 stride；未指定时继续采用原有的自动推导逻辑
• 在 PTODSL 中增加对应的可选关键字参数
• 增加回归测试，验证非零 FP4 起始偏移和显式 MX stride 能正确保留到 VPTO

未提供 stride 覆盖参数的现有调用行为保持不变。

影响范围

本次修改仅修正 packed-FP4 load 控制参数，并增强 MX scale load 对不同内存布局的表达能力。默认参数和已有调用接口保持兼容，不会改变未使用新参数的代码生成结果。

验证情况

• PTOAS 全量构建通过
• python ptodsl/tests/test_jit_compile.py 通过
• VPTO wrapper round-trip 检查通过
• VPTO 左、右 MX load wrapper 展开检查通过
• packed-FP4 的 kStart 已验证生成为 4
• 显式 MX stride 已验证生成为 8/4
• git diff --check 通过

相关工作

#1047 处理的是 MX scale 目标地址编码问题，与本 PR 修复的 load 控制参数问题相互独立。本分支不包含 #1047 的修改。

fix: #1060