Modernizing Table Batched Embeddings with FBTriton

FBTriton 实现了 Table Batched Embedding（TBE）的前向和反向传播优化，性能优于传统 CUDA 内核。TBE 在单个 GPU 操作中整合多个表的嵌入查找和池化，减少启动开销并提升内存效率。在 B200 上，启用 fused_bounds_check 可使边界检查部分提速 1.24 倍，且支持通过 TorchRec 配置控制。