请求新增 RTX 5090 平台 FP8 推理优化分支

[Jordanyang]

你好，非常感谢你们出色的工作。

我们在 RTX 5090 平台上测试并应用 TurboWan2.1-T2V-14B-720P-quant 模型时，充分感受到了该模型在视频生成效果和推理速度方面的突出表现。生成视频质量优秀、视觉效果稳定，同时推理速度非常快，在实际应用中展现出了很强的实时生成能力。

目前，我们已经基于该项目完成了一些面向 RTX 5090 平台的 FP8 推理优化工作，希望能够通过新增一个独立分支的方式提交相关改动，方便你们 review、测试和后续合并。

已完成的优化内容

1. Wan2.1-14B FP8 推理优化

建议新增 5090_WAN2.1 分支，面向 TurboWan2.1-T2V-14B-480P/720P 在 RTX 5090 上的 FP8 推理场景。

本次优化主要引入了以下内容：

• 引入 FP8 Linear / FFN 相关算子
• 支持 FP8 row-wise quant 与预量化输入 Linear
• 融合 GELU + FP8 quant 计算路径
• Norm / RoPE / transpose 等融合路径

这些改动主要用于提升 Wan2.1-14B 在 RTX 5090 平台上的 FP8 推理效率，降低推理开销，并进一步提升实际部署场景下的视频生成速度。

2. DiT 模块修复与加速

针对 Wan2.1 DiT 模块的热路径进行了修复和加速优化，主要包括：

• 支持 Q / K / V FP8 量化复用；
• 支持 SageSLA 预转置 Q / K；
• 融合 attention 输出阶段的 add + transpose + FP8 quant；
• 支持 FFN FP8 up / down projection；
• 融合 residual-scale 路径；
• 在 modify_model.py 中新增 --quant_linear_fp8 模型转换支持；
• 降低模块替换阶段的显存峰值。

这些优化主要面向 DiT 推理过程中的高频计算路径，能够减少不必要的数据搬运和中间显存占用，从而进一步提升整体推理性能。

3. 测试验证

已补充 TurboWan2.1-T2V-14B FP8 转换与推理说明，采样步数统一设置为：

--num_steps 3
--attention_type sagesla
--sla_topk 0.1
模型 | DiT 模块 FP8 推理耗时
--     |    --
Wan-2.1-T2V-14B-480P-fp8 | 7.5s
Wan-2.1-T2V-14B-720P-fp8 | 18.1s

4. 请求事项

希望你们可以帮忙 review 远程分支：

5090_WAN2.1

并评估这些 RTX 5090 FP8 推理优化是否适合合入当前项目。

如果当前提交方式、分支命名或 commit 组织方式不符合项目规范，我也可以按照你们的要求进行调整，例如：

重新整理 commit；
修改分支命名；
补充测试说明；
提供 patch / diff 文件；
按指定方式重新提交代码。

再次感谢你们优秀的工作。期待这些优化能够进一步提升 TurboWan2.1-T2V-14B-480P/720P 在 RTX 5090 平台上的 FP8 推理性能和实时视频生成能力