用途：在 Megatron Bridge 中验证并使用 CUDA Graph 捕获，减少主机驱动开销。支持两种实现：cuda_graph_impl="local" 用 MCore FullCudaGraphWrapper 包裹整个前向+反向，作用域为 full_iteration；cuda_graph_impl="transformer_engine" 用 TE make_graphed_callables() 逐层捕获，作用域支持 attn、mlp、moe、moe_router、moe_preprocess、mamba。
主要能力与用法：多数训练负载建议先用 TE 作用域图，再在同一 dispatcher、布局和容器下对比 eager 与重放耗时。稠密模型用 attn，可选加 mlp；dropless MoE 用 attn、moe_router、moe_preprocess；VLM 在真实数据路径稳定后再用相同 MoE 作用域。仅当需要全迭代捕获且满足更严格约束时才用 local + full_iteration。启用示例：cfg.model.cuda_graph_impl="transformer_engine"，cfg.model.cuda_graph_scope=["attn"]，cfg.model.cuda_graph_warmup_steps=3，cfg.model.use_te_rng_tracker=True，cfg.rng.te_rng_tracker=True。性能测试 CLI 用 --cuda_graph_impl 与逗号分隔的 --cuda_graph_scope，合法值见 scripts/performance/argument_parser.py。
限制：必须启用 use_te_rng_tracker；full_iteration 仅配 local 且需关闭 check_for_nan_in_loss；moe 与 moe_router 作用域不可同时使用；张量形状须静态；CPU offloading 不兼容；moe_preprocess 需同时设 moe_router；旧架构配 expandable_segments 时需 NCCL_GRAPH_REGISTER=0；层级 full recompute 仅支持 full_iteration。CUDA 图会固定中间缓冲区，TE 作用域图增加数 GB，全迭代图峰值内存可增 1.5–2 倍。捕获成功不保证加速，需在目标栈上验证。