Fix operator correctness on Triton and CUDA

[whjthu]

修复 ntops.lab 在 Triton 和 CUDA C 后端的算子正确性问题：

• 修正广播布局、归约范围及矩阵乘分块配置。
• 修正浮点整除、取模、舍入和 NaN 判断的边界行为。
• 改善归一化计算的数值稳定性，并使低精度计算中的舍入顺序与 PyTorch 一致。