ref(upstream): FULL TREE — Deep-Spark xllm (1470) + ds_vllm csrc/models (703)

Replaces cherry-picked upstream_ref with complete source trees.

xllm/ — Iluvatar official C++ inference engine (15MB, 1470 files)
  Complete: kernels → layers → models → runtime → scheduler → api
  Excluded: .git, binary images, third_party submodule checkouts

ds_vllm/ — Iluvatar official vllm fork (8MB, 703 files)
  Included: csrc/ (ALL CUDA kernels), fused_moe/, qwen3_5 model, _custom_ops
  Excluded: tests, benchmarks, docs, examples (not needed for reference)

Critical call chains now fully traceable:
  MoE: moe_topk_softmax_kernels.cuh → ixformer.h → fused_moe.cpp → layer
  GDN: qwen3_gated_delta_net_base.cpp → qwen3_5_gated_delta_net.cpp
  Attention: ixformer.h → xllm_paged_attention → attention.cpp

upstream_ref/xllm/docs/zh/features/groupgemm.md

@@ -0,0 +1,41 @@
+# GroupGEMM算子优化
+
+# 背景
+混合专家(Mixture of Experts, MoE)架构已成为扩展大规模语言模型的重要范式，其核心思想是将输入token动态路由至不同的专家子网络进行处理。在推理过程中，GroupGEMM算子是MoE架构的关键计算单元，负责高效执行多个专家矩阵乘法的并行计算，且在整个推理耗时中占据主导地位。
+
+## 功能介绍
+结合当前GroupGEMM的性能瓶颈为I/O受限，提出了一种优化方案，通过索引重排替代数据拷贝，取消了对token向量的多次复制，改为维护专家分配的索引表。通过该行号索引，直接将token映射到相应的专家计算单元，并将token的分配调度与矩阵乘法融合为一个单一的kernel。
+
+
+## 用户接口
+
+### 算子直调API
+```c++
+aclnnStatus aclnnIndexGroupMatmulGetWorkspaceSize(
+    const aclTensorList *x,
+    const aclTensorList *weight,
+    const aclTensorList *scale,
+    const aclTensorList *perTokenScale,
+    const aclTensor *groupList,
+    const aclTensorList *out,
+    uint64_t *workspaceSize,
+    aclOpExecutor **executor);
+
+aclnnStatus aclnnIndexGroupMatmul(
+    void *workspace,
+    uint64_t workspaceSize,
+    aclOpExecutor *executor,
+    aclrtStream stream);
+```
+
+- `x`: 输入的张量列表，包含待处理的数据。
+- `weight`: 权重张量，包含模型的参数。
+- `scale`: 缩放因子，用于调整输入张量的值。
+- `perTokenScale`:每个token的缩放因子，用于动态调整。
+- `groupList`: 专家组列表，指示哪些专家参与计算。
+- `out`: 输出张量列表，存储计算结果。
+
+## 性能效果
+![groupmatmul](../../assets/groupmatmul_performance.png)
+
+* 优化后的GroupMatmul算子在计算时间上表现出明显的优势，尤其是在k为128，m为64情况下，如图所示，优化后算子计算延时 **减少50%**。