PyTorch 2.15 升级前先看：Python、显卡和训练存档有哪些变化
PyTorch 2.15 在 2026 年 10 月 28 日正式发布了，是正式版，不是候选版。亮点确实有诱惑力：分布式训练的单边传输、FSDP2 更细的内存控制、torch.compile 支持 Python 3.15。如果你的第一反应是"先升了再说"，这篇文章就是中间那一下停顿。下面讲三件最容易踩的事，外加一套万一升级翻车也能全身而退的做法。
先交代一句：这篇是根据官方发布说明整理的，我们自己没做安装和迁移实测。把它当"哪里可能有坑"的地图看，不是针对你具体机器的担保。
坑一：pip 告诉你"没有这个包"
在 Python 3.10 环境里跑 pip install torch，根本找不到 2.15。PyTorch 从这个版本起不再发布 Python 3.10 的安装包——torch 和自带的 Triton 都没有 cp310 构建，CI 也不再在 3.10 上跑测试。官方二进制包从 Python 3.11 起步，一直覆盖到 3.15，包括自由线程的 3.14t 和 3.15t。
解决办法朴素但实在：把环境升到 Python 3.11 或更新。如果你的系统 Python 卡在 3.10——老一些的 LTS 版 Linux 镜像里很常见——这正是换个干净虚拟环境或容器的时机，别跟操作系统较劲。如果这个季度实在动不了 Python，留在 PyTorch 2.14 是正经选择，不算认怂。
坑二：显卡或驱动悄悄掉队
官方 PyPI 包现在默认带 CUDA 13.2，另有 CUDA 13.4 的包可选；CUDA 12.6 和 13.0 的包没有了。这个变化带了一道硬件门槛：CUDA 13 的包要求 NVIDIA 驱动 580 或更新，显卡要是 Turing 架构（算力 7.5）或更新。
说人话：Maxwell、Pascal、Volta 这三代卡——GTX 10 系列、初代 Titan X、Tesla P100／V100 那批硬件——官方包不再伺候了；还在用 CUDA 12.x 时代驱动的主机也一样。这些机器应该留在 PyTorch 2.14，那边的 CUDA 12.6 包还能用。
有两件事要说清楚。第一，这不是"所有人都得换显卡"：Turing 及以后的卡、驱动升级到最新就行，大致覆盖 2018 年以后的大多数显卡。第二，检查要在升级前做，不是升级后：nvidia-smi 能看驱动版本，在现有环境里跑 torch.cuda.get_device_capability() 就知道自己的卡排在哪。AMD 用户有对应的同款变化：安装包迁到 ROCm 7.14 和 10.0，gfx900 和 gfx906 的核被砍掉，MI25、MI50、MI60、Radeon VII 的用户留在 2.14 或者自己从源码编译。Mac 用户再加一条：MPS 后端现在要求 macOS 15 或更新，macOS 14 上直接报不可用，不过 CPU 版照跑。
坑三：检查点的单行道
这条最隐蔽，对正在跑训练的人也最重要。
PyTorch 2.15 改了分布式检查点的元数据格式——就是 torch.distributed.checkpoint 写的那种，多卡大训练存状态的标准方式。新格式的元数据里记录了张量的 strides，而且没有开关可以写回旧格式。后果是：2.15 存的分布式检查点，2.14 及更早的版本读不了。在旧版本上 dcp.load 会直接抛 CheckpointException，报"too many values to unpack"。
反方向是通的——2.15 读 2.14 的检查点没问题。另外这事不涉及 torch.save 存的普通模型文件，专指分布式检查点这个格式。
但想想这条单行道对训练任务意味着什么。你升了级，训了两周，发现哪里不对劲，决定退回 2.14。结果最近的检查点在旧版本上拒绝加载。你的回退方案要成立，前提是升级前最后一个完好的检查点还在。所以用 2.15 正式开训之前先想清楚：作为救生艇的那个 2.14 时代检查点，你留了吗？它新到够用吗？
值得扫一眼的其他小变化
发布说明里还有几处，简短列一下，万一有你家的：NCCL 后端默认换成了新实现，旧实现以 backend="nccl-legacy" 的形式只保留这一个版本，而且进程组现在绑定单一 CUDA 设备——一个进程驱动多张卡的写法可能会中招。嵌套张量被移出了 weights_only 的默认白名单，torch.load 读含这类张量的文件，不显式加白名单就会失败。Linux 的 CUDA 包不再附带 cuRAND，调用它 host API 的原生扩展得自己装。
留好退路的升级流程
整套做法按顺序来。
- 先查 Python：python --version。低于 3.11 的话，先解决这个再说别的。
- 查显卡和驱动：nvidia-smi 看驱动（CUDA 13 的包要 580 或更新），在现有环境里跑 torch.cuda.get_device_capability()（要 7.5 或更高）。
- 把 2.15 装进一个全新的虚拟环境或容器。别原地升级正在干活的那个环境——旧环境就是你的退路。
- 正式开跑之前，在新环境里过一遍训练脚本的冒烟测试和你的评估流程。
- 第一次正式训练前定好检查点策略：在 2.15 被你的实际负载验证之前，最后一个 2.14 能读的检查点原封不动地留着。
- 上面任何一项检查过不去，就钉住旧版本继续过你的季度：pip install torch==2.14，配上和你硬件对应的 index URL。
现在该升的，和可以等的
如果你是 Python 3.11 以上、Turing 或更新的 N 卡加新驱动、干的活以微调或推理为主，2.15 属于找个干净环境这周就能升的那类。如果你在跑长周期的分布式训练，检查点问题就是你的闸门——等得起重建一条检查点线的时候再升。如果你的硬件或 Python 够不着新门槛，2.14 不是被抛弃的软件，它是还合你机器身的那双鞋。
新功能下个月还在那儿。而搞坏的训练环境，加上退回旧版后读不出来的检查点，是用最贵的方式学到这个道理。