#28739 refactor(runner): move kernel warmup into the shared runner lifecycle (warmup())

Kernel warmup / flashinfer autotune 属于 runner 生命周期，应在 init 时执行，而不是作为 ModelRunner 的独立步骤或在 forward 路径中。随着 EagerRunner 成为 BaseRunner 的子类，需要共享 warmup 方法，因此将其上提至 BaseRunner。

精读并理解 warmup 统一的设计；部署前优先修复 pp_proxy_topk_size 缺失问题。

1. 在 base_runner.py 中定义 warmup() 方法，包含 run_once 守卫、设备上下文、flashinfer allreduce 预初始化、autotune、dummy run 和 PP-DeepGEMM warmup。
2. 将 _allocate_decode_buffers 从 decode_cuda_graph_runner.py 移至 base_runner.py 模块级，同时迁移其他 autotune 相关函数。
3. 调整 ModelRunner.init_backends 顺序：先初始化 attention backends，然后构建 EagerRunner（其 init 调用 warmup()），再构建 prefill 和 decode CUDA graph runners（capture() 中调用 warmup()）。
4. 修改 pp_parallel_deep_gemm_warmup 签名，接收 runner 而非 model_runner。
5. 在 attention 测试 mock runner 中设置 _kernel_warmed_up = True，避免重复 warmup。

1. 深度流水线 MoE 兼容性风险：_allocate_decode_buffers 缺失 pp_proxy_topk_size，DSA 模型 warmup 可能崩溃。
2. 初始化顺序依赖：warmup 后移，若外部代码依赖原时间点可能冲突。
3. 测试覆盖不足：warmup 行为未有单元测试覆盖。

用户影响：非 MoE 模型无影响；使用 DeepSeek V2/V3 DSA 等 pipeline parallel MoE 需注意启动时崩溃。系统影响：forward 路径不再包含 autotune，消除运行时抖动。团队影响：代码结构更清晰。