feat: 批量流水线按 GPU 资源调度（非 GPU 阶段并行、GPU 阶段互斥）

此前组内阶段是串行的（先全部提音、再全部转写、再全部翻译），LLM 走线上端点时
翻译阶段不占显存、GPU 全程空转——实测占整轮挂钟约 40%（19.6W / 272MiB）。

- `_run_job` 改为按组启动在途流水线：每个视频独立推进自己的阶段，最多
  `WOV_BATCH_PIPELINE_WORKERS`（默认 4）个阶段在途。
- 派发只看资源：`stage_gpu_need_mb` 为 0 的阶段（提音、线上翻译、ASS）立刻派发，
  可与其它视频的转写并行；需要 GPU 的阶段由 `GpuGate` 互斥准入，并按"阶段索引
  最小者优先"派发，组内仍是先跑完全部转写再进翻译——本机 Ollama 模型每组只
  加载一次，不需要按"是否云端"写分支。
- 同一阶段只在途一份（派发即标记 running），单视频异常不带走整组；暂停沿用
  run 级 paused.flag，暂停后不再派发新阶段。
- 测试：远端翻译与其它视频转写重叠、本机端点下全部转写先于翻译且翻译互斥、
  提音与转写重叠，以及既有分组/暂停/失败隔离用例。

docs/operations.md

@@ -104,15 +104,20 @@
   run 的 `current_node_id` 在 DAG 拓扑序中的位置推导、节点类型映射中文标签。
   粒度限制：`progress` 只有**节点边界**粒度，句级进度（转写分块、翻译批次、OCR 帧）
   不落库、只在控制台日志里。
-- **分块流水线执行（本地模型只加载一次）**：批量引擎把待处理视频按
-  `WOV_BATCH_STAGE_GROUP_SIZE`（默认 8）分组，**组内按节点顺序跑完全部视频**
-  （先全部 extract、再全部 ASR、再全部 LLM 翻译、最后 ASS）再进入下一组。每个
-  视频的 run 在阶段边界保持 RUNNING（`execute_run(stop_after=节点)`），下一阶段
-  从产物表跳过已完成节点继续，因此本地模型每组只加载一次、卸载一次，而不是每个
-  视频来回加载卸载；产物仍按组增量落地。LLM 阶段执行时引擎在 run 根目录写
-  `keep_model.flag`，节点据此不在每次调用后卸载模型（`nodes/llm.py`），阶段
-  结束由引擎调 `release_local_model()` 统一释放显存，让下一组的 ASR 拿到 GPU
-  （否则本地模型常驻显存会让 whisper 直接 CUDA OOM）。设为 1 即回到「每个视频
+- **按资源调度的在途流水线（2026-09 起）**：批量引擎把待处理视频按
+  `WOV_BATCH_STAGE_GROUP_SIZE`（默认 8）分组，组内**每个视频独立推进自己的
+  阶段**，最多 `WOV_BATCH_PIPELINE_WORKERS`（默认 4）个阶段在途。判定只看资源：
+  阶段是否需要 GPU 由 `wov_app.resources.stage_gpu_need_mb` 给出（提音、**线上
+  端点**的翻译、ASS 都不需要），不需要 GPU 的阶段立刻派发，于是转写能与线上翻译
+  并行、提音能与转写并行（此前组内阶段是串行的，翻译时 GPU 全程空转）。需要 GPU
+  的阶段由进程内 `GpuGate` 串行准入并按"阶段索引最小者优先"派发，因此组内仍是
+  先跑完全部转写再进翻译——**本机 Ollama 模型每组只加载一次**，不需要按"是否
+  云端"写分支。每个视频的 run 在阶段边界保持 RUNNING（`execute_run(stop_after=节点)`），
+  下一阶段从产物表跳过已完成节点继续。LLM 阶段执行时引擎在 run 根目录写
+  `keep_model.flag`，节点据此不在每次调用后卸载模型（`nodes/llm.py`），组末由
+  引擎调 `release_local_model()` 统一释放显存，让下一组的 ASR 拿到 GPU（否则
+  本机模型常驻显存会让 whisper 直接 CUDA OOM）。显存探测不到（无 `nvidia-smi`）
+  时退化为"GPU 阶段互斥"，行为与串行一致。设为 1 即回到「每个视频
   跑完整链路」的旧行为。
 - **失败视频不跨阶段推进**：某阶段失败的视频只在**它失败节点的那个阶段**重试
   （下一次引擎循环从断点续跑），不会在后续阶段里重跑前序节点——避免本地 LLM 已