用 FBTriton 现代化 Table Batched Embeddings

PyTorch博客称，FBTriton实现的TBE前向与反向kernel在推荐系统工作负载上优于旧版CUDA kernel。B200上bounds-check组件最高可达1.24x加速。可选地将index转置、排序与游程编码移入前向后，大型B200配置合计延迟由79.537 ms降至66.183 ms（−16.8%）。