fix: 让 TIGER 示例可运行并新增 MovieLens 脚本

[TyndaleLym]

背景

PR 3（TIGER Runnable Example）。原 run_tiger_amazon_books.py 存在一组导致无法稳定运行的问题，且缺少 MovieLens 脚本、测试与文档。本 PR 修复这些问题并补齐 MovieLens 支持。

主要改动

TIGER 示例修复（run_tiger_amazon_books.py）

• 运行模式拆分为 generate-toy-data / train / test / all（--mode）
• 统一生成与读取的数据路径，避免"生成文件名 ≠ 读取文件名"
• 移除写死的本机绝对 ckpt_path 默认值，回退到 --output_dir
• 训练前 add_tokens 语义 ID 并 resize_token_embeddings（原代码漏掉，导致 <a_1> 被切成子词）
• 测试时从 ckpt_path 加载 tokenizer/config/model，并把输入张量搬到对应 device

模型兼容性（torch_rechub/models/generative/tiger.py）

• 适配 transformers>=5：补 model_parallel/device_map（DataParallel 守卫），Trainer 的 tokenizer→processing_class 按签名自动适配

新增 MovieLens 脚本（run_tiger_movielens.py）

• 与 HSTU/HLLM 一致的"一数据集一脚本"风格
• 真实数据的 RQ-VAE → TIGER 流水线在 docstring/文档中写明

测试（tests/test_tiger_example.py）

• TigerSeqDataset 三种模式切分、get_new_tokens/get_all_items、collate 的 PAD→-100 屏蔽、Trie 前缀约束
• toy 数据构建 + prepare-data + 一个真实 T5 的端到端 smoke（离线自动 skip）

文档

• docs/{zh,en}/models/generative.md 新增 TIGERModel 小节
• 新增 docs/{zh,en}/blog/tiger_reproduction.md 工作流文档并注册 VitePress 侧边栏

测试结果

• isort / yapf / flake8（与 CI 同 ignore 列表）均通过
• pytest tests/（排除 slow 与缺失可选依赖 pyarrow/onnx 的用例）：49 passed / 41 skipped / 0 failed
• 实测 toy --mode all：MovieLens 与 Amazon 均端到端跑通并输出 hit@k / ndcg@k

注意事项

• 真实数据的 semantic_ids.json 仍需用 RQ-VAE 生成，且 item id 必须与 inter.json 对齐
• 离线环境请用 --base_model google-t5/t5-small（规范仓库名）

[1985312383]

1. train() 没有从 --base_model 加载预训练 T5 权重，而是 TIGERModel(config) 随机初始化。PR 说 fine-tune T5，这和代码不一致，也会严重影响训练成本和效果。

2. test() 里“checkpoint tokenizer 缺 semantic-id token 时自动补 token”的 fallback 会因 embedding size mismatch 在 from_pretrained 阶段失败，代码到不了后面的 resize。

[TyndaleLym]

1、关于 "fine-tune T5" 的措辞

TIGER 原论文里 T5 编码器-解码器就是从头随机初始化训练的（语义 ID 词表不是自然语言，预训练的 NL 权重没有意义），官方参考实现 NonameUntitled/tiger 也是 T5ForConditionalGeneration(config) 随机初始化。所以 train() 用 TIGERModel(config) 从 --base_model 的 config 构建架构、随机初始化，是符合论文的；--base_model 只提供架构/config 与 tokenizer，不加载预训练权重。

因此我保留了训练代码，只把 PR 描述和文档里误导性的 "fine-tune T5" 改成“从头训练（随机初始化，不加载预训练权重）”，并在 train() docstring 和复现 blog 里写明了这一点，避免后续读者误解。

2、关于 test() 的 embedding size mismatch

这是真 bug，已修复。原因正如你所说：之前把已经增长过的 vocab_size 传进 from_pretrained，会在加载阶段就因 embedding size 不匹配报错，根本到不了后面的 resize。

现在改为：用 checkpoint 自带的 config 加载模型（TIGERModel.from_pretrained(ckpt)，不再传入外部 config），embedding 尺寸与保存权重天然一致；之后只在 tokenizer 与 embedding 行数确实不一致时（例如喂进一个原始 T5 checkpoint 的兜底情形）才 resize_token_embeddings。这样既修了崩溃，也保留了原来的兜底逻辑。