llama.cpp 在 CUDA 上将 NVFP4 的 MMVQ 后缩放融合

llama.cpp 的一个拉取请求引入了针对 CUDA 上 NVFP4 量化的融合 MMVQ（多模向量量化）后缩放操作，专门针对批次大小 1。

该实现包括密集的 MMVQ 融合，并将缩放融合限制为 NVFP4，以防止在 GEMV 密集型配置中出现性能回归。在 B4500、DGX Spark 和 B6000 硬件上的基准测试显示，与主分支相比，qwen35moe 35B.A3B NVFP4 的加速比从 1.02x 到 1.08x 不等。

这些更改还涉及重构主机端的融合逻辑、合并单通道 mm-fusion 辅助函数，并重新排序偏置/缩放加法以符合相关的 PR。