嵌套 CUDA Graph 性能测量方法论：检查编译产物与 replay 活动，冷热分开测

测量嵌套 CUDA Graph 优化时，应检查编译器生成的代码片段与 CUDA replay 活动，并将首次调用的冷启动耗时和重复执行的稳态耗时分开统计。实测显示，每次调用的 replay 启动从 16 次降至 2 次，depth-8 稳态中位延迟从 407.57µs 降至 89.94µs。