用途：在昇腾 NPU 上对已具备单卡框架适配代码（modeling、Runner、infer.py、infer.sh、YAML）的 PyTorch 模型实施并行切分，前置条件是 parallel_config 已由 /model-infer-parallel-analysis 确定并经用户确认。
主要能力与实施流程分七步：确认输入并选择最接近的参考模型（如 GPT-OSS、Qwen3-MoE、DeepSeek-R1、LongCat-Flash、Kimi-K2）；创建通信组，当前仓库模型通过 **kwargs 传入 hccl_comm_dict，并支持 attn_tp、dense_tp、moe_tp 等模块级差异化通信组；逐模块替换并行层，Attention 的 QKV 用 QKVParallelLinear、O 用 RowParallelLinear，Dense FFN 的 Gate/Up 用 ColumnParallelLinear、Down 用 RowParallelLinear，MoE 按 moe_tp_size 选择 TP 或 EP 模式（Prefill 用 re_routing + AllToAll，Decode 用 dispatch/combine）；Embedding 使用 VocabParallelEmbedding，LMHead 使用 ColumnParallelLinear；按场景生成独立 YAML 配置；权重处理可选在线切分（enable_online_split_weight: True）或离线转换（utils/weight_convert.sh）；最后做配置校验与功能验证。
适用场景：需在昇腾 NPU 上对模型推理做 TP、EP、CP、KVP 等并行改造的工程实现，尤其是 GQA、MoE、MLA 等结构。
限制与注意：禁止跳过通信组创建直接替换层；相邻模块 TP 度不同需插入 AllGather/ReduceScatter；embed_tp_size 需满足框架约束且不小于 attn_tp_size；offline 预切权重与 parallel_config 绑定，改配置必须重新转换。CP 与 KVP 部分资料标注为 TODO，具体实现暂未提供。