feat(snapshot): D→P RDMA Phase 1b — GPU pointer path verified

Confirms snapshot_link works for cuda device pointers, not just host
memory. Sender on cuda:0 pushes to receiver on cuda:1 via RDMA over
mlx5_60. All 5 sizes (16K, 1M, 16M, 64M, 256M) pass SHA verification.

  16 KB     8.3 ms   0.016 Gbps  (cold openSegment)
  1 MB      0.10 ms  87.6 Gbps
  16 MB     0.84 ms  159 Gbps
  64 MB     2.52 ms  213 Gbps
  256 MB    8.54 ms  251 Gbps    (~60% NDR400 line rate)

For Inferact-scale sessions (~50K tokens × ~80 KB layer-per-token =
~4 GB), this projects D→P transfer time at ~130 ms — within the
"reseed-savings" envelope sketched in design doc §3.2.

Files:
  scripts/snapshot_link_receiver_gpu.py
  scripts/smoke_snapshot_link_gpu.py

Next: SGLang scheduler integration for D-side dump + P-side ingest.

docs/D_TO_P_PHASE1_LINK_ZH.md

@@ -92,13 +92,25 @@ peer.close()
 
 ## 4. 当前覆盖范围（清单）
 
-- ✅ Host CPU 内存的 D→P RDMA byte transfer
+- ✅ Host CPU 内存的 D→P RDMA byte transfer (`scripts/smoke_snapshot_link.py`)
+- ✅ **GPU 内存** cuda:0 → cuda:1 的 D→P RDMA（`scripts/smoke_snapshot_link_gpu.py`，5/5 size 全 SHA 校验通过，256 MB 8.5 ms / 251 Gbps）
 - ✅ 单 IB device (mlx5_60)
 - ✅ 同节点 loopback（127.0.0.1）
-- ⏳ GPU 内存（设备指针 + `batch_transfer_write_on_cuda`）—— 现有 `push()` 走 `transfer_sync_write`，对 GPU 指针支持取决于 mooncake 的 protocol；下一步验证
 - ⏳ 跨节点（远端 IP）—— 设计上一致，未验证
 - ⏳ 多 D → 单 P（多 sender → 共享 recv buffer 的 offset 协调）—— 留给 Phase 3 整合时设计
-- ⏳ ZeroCopy 入 SGLang kv_pool slot —— 留给 Phase 2
+- ⏳ ZeroCopy 入 SGLang kv_pool slot —— 留给 Phase 2/3
+
+### GPU smoke 性能
+
+| Size | Push duration | Throughput |
+|---:|---:|---:|
+| 16 KB | 8.27 ms (cold) | 0.016 Gbps |
+| 1 MB | 0.096 ms | 87.6 Gbps |
+| 16 MB | 0.844 ms | 159 Gbps |
+| 64 MB | 2.52 ms | 213 Gbps |
+| **256 MB** | **8.54 ms** | **251 Gbps** |
+
+GPU↔GPU 比 host↔host 慢一些（251 vs 316 Gbps for 64MB），但仍接近 mlx5_60 NDR 400Gb 的 60% 线率。对 KVC 单 session ~50K tokens × ~80 KB/token ≈ 4 GB 量级的 transfer，对应 D→P 时间约 130 ms。
 
 ## 5. 下一步（Phase 2 / Phase 3）