Fix SparseFlashMla small q_head handling on A5

[yjyang62]

描述

修复 SparseFlashMla 在 A5/arch35 路径下处理较小 q_head（16/32）时可能出现输出异常的问题。

主要改动：

• A5 arch35：当单任务 M 维（对应当前 q_head group）不超过 32 时，不再拆成两个 subBlock 各算一半，而是由 subBlock0 处理完整 M，subBlock1 跳过 0 行任务。
  • q_head=32 从原来的 16+16 改为 32+0，避开小半块 vector/VF 处理路径。
  • q_head=16 从原来的 8+8 改为 16+0，避免 8 行半块触发异常读写。
• A5 arch35：ProcessVec1 对 0 行任务增加早返回并释放同步，避免空任务继续进入 VF API。
• A2/A3 arch22：顺手修正 SWA/CSA vector block 中 sinks brcb 扩展循环的边界，避免多做一段无效 DMA 写入。
• 测试参数补充：增加 q_head=32、q_head=16 的 CSA prefill 回归用例，以及 q_head=16 的 SWA prefill 回归用例。

关联的Issue

未关联特定 Issue。

测试

• python3 -m py_compile attention/sparse_flash_mla/tests/pytest/sparse_flash_mla_paramset.py
• git diff --check
• 使用 ripgrep 确认旧的 <= 256U / constInfo.qHeadNum 循环模式已不存在。

说明：当前环境缺少 torch 和 torch_npu，无法执行依赖 NPU 的 sparse_flash_mla pytest。

文档更新

无。

类型标签

• 🐛 Bug修复
• ✨ 新特性
• ⚡ 性能优化
• ♻️ 重构
• 🧪 测试
• 📦 构建/CI
• 🔧 配置变更
• 📝 文档更新
• ⬆️ 依赖升级
• 🔒 安全修复
• 🧹 代码清理
• ❓ 其他，请描述：