revert: 移除 torch.compile（动态 batch 形状导致反复重编译，反而慢于不编译）

Sequence Packing 使每个 batch 序列长度不同，CUDA Graph 需反复重编译。
Flash Attention + FP16 是目前最优组合（94.5s, 56.98 分）。

代码/code/infer.py

@@ -511,11 +511,6 @@ def load_model(ckpt_path, device='cuda:0'):
 
     model.to(dev)
     model.eval()
-
-    # === torch.compile：算子融合 + 减少 kernel launch 开销 ===
-    model = torch.compile(model, mode="reduce-overhead")
-    print("[INFO] torch.compile applied (mode=reduce-overhead)")
-
     print(f"[INFO] Model ready. Device: {dev}")
 
     return model, dev