当前 masked_scatter 的实现过于粗放，这种组合算子的写法作为早期实现没有问题，但在生产环境或处理较大 shape 的 Tensor 时，会导致非常严重的性能瓶颈：

• 显存开销极大：执行过程中创建了大量无用的中间 Tensor（如 zeros_like_x, mask_prefix，以及 value.flatten()[mask_prefix] 产生的高级索引中间结果），极易导致显存峰值溢出（OOM）。

• 执行效率低下：涉及了 add, cast, cumsum, clip, flatten, where 等一连串琐碎的算子调用，造成了大量的 Kernel Launch overhead 和访存瓶颈（Memory Bandwidth Bound），无法发挥 GPU 的并行计算优势。

前向的时候引入了这些琐碎算子(注意 index_elementwise_get 这个 kernel)：

而反向的时候，反向算子 index_elementwise_get_grad 甚至引入了一个 Memcpy H2D + 大空泡