feat(column-io): sync column-io 0.3.0 and open-source cleanup for v1.2.0

Cherry-pick 74 commits from xrec (v1.1.0..v1.2.0)
Sync column-io 0.3.0 from internal master
Fix INTERNAL_VERSION conditional compilation (py_interface, dataset_impl, arrow_reader)
Fix cmake URLs to use GitHub public links (rapidjson, protobuf)
Clean up internal references (ODPS endpoints, paths, kmonitor deps)
Remove internal submodule torch_fx_tool, conditionalize import
Conditionalize openlm_hub import in mos.py
Fix from_list_string empty array bug (all([]) returns True)
Remove hardcoded Alibaba Cloud AccessKey from integration tests
Replace hardcoded ODPS paths with env vars (ODPS_TABLE_PATH, etc.)
Remove .aoneci/ directory
Update CHANGELOG.md with v1.2.0 release notes

RecIS (Recommendation Intelligence System)

RecIS：一个专为超大规模稀疏+稠密计算设计的统一架构深度学习框架。基于 PyTorch 开源生态构建，为推荐模型训练，或推荐结合多模态/大模型训练提供了完整的解决方案。由阿里控股集团爱橙科技智能引擎事业部和淘天广告技术、淘天算法技术团队联合推出。目前已在阿里巴巴广告、推荐、搜索等场景广泛应用。

GitHub issues

🎯 设计目标

统一框架

性能优化

易用性

RecIS 采用模块化设计，主要包含以下核心组件：

ColumnIO: 数据读取
- 支持分布式分片读取数据
- 在读取阶段完成简单的特征预计算
- 样本组装为Torch Tensor，并提供数据预取功能
Feature Engine: 特征处理
- 提供特征工程和特征转换处理能力，包括 Hash / Mod / Bucketize 等
- 支持自动的算子融合优化策略
Embedding Engine: Embedding 管理与计算
- 提供无冲突、可拓展的 KV 存储 Embedding 表
- 提供多张表的合并优化能力，以获取更好的访存性能
- 支持特征淘汰和准入策略
Saver: 参数保存与加载
- 提供稀疏参数以 SafeTensors 标准格式存储交付能力
Pipelines: 训练流程编排
- 将上面几个组件串联，封装训练流程
- 支持多阶段（训练/测试交错）、多目标计算等复杂训练流程

RecIS 框架通过一种两级存储架构实现了高效的动态嵌入（HashTable）：

参数聚合与分片:
- 在模型创建阶段，将相同属性（维度、初始化器等）的参数表合并成一个逻辑表
- 参数均匀切分到各个计算节点
请求合并与切分:
- 前向计算时，合并属性相同参数表请求，并对其去重计算分片信息
- 通过集合通信 All-to-All 获取各个计算节点上的 Embedding 向量

如果遇到问题，可以：

本项目基于 Apache 2.0 许可证开源。