PyTorch torch.cuda.is_available() 返回 False 的主因是 conda 环境中缺失或错配 cudatoolkit，而非驱动或显卡问题；需先清理所有残留 torch（含 pip 和多环境安装），再用 conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia 一步安装匹配版本，并验证 torch.cuda.get_arch_list() 是否包含显卡对应架构（如 sm_89）及张量能否真正分配到 GPU。

PyTorch 安装后 torch.cuda.is_available() 返回 False，大概率不是驱动或显卡问题，而是 cudatoolkit 版本与 PyTorch 编译时所用 CUDA 不一致，必须重装匹配的 cudatoolkit —— 即使你已安装完整 CUDA Toolkit（含 nvcc），conda 环境里缺这个包，PyTorch 就找不到运行时库。

先确认是不是 cudatoolkit 缺失或错配

别急着重装，先看关键证据：

• 运行 python -c "import torch; print(torch.cuda.get_arch_list())"：如果输出空列表 []，说明当前 torch 根本没编译 CUDA 支持，极可能是 CPU-only 版本覆盖了 GPU 版本
• 运行 conda list cudatoolkit：查环境里有没有 cudatoolkit，版本号是多少；若无输出，就是缺失
• 运行 nvidia-smi：确认驱动支持的最高 CUDA 版本（右上角显示的 CUDA Version: X.Y 是驱动兼容上限，不是你该装的 cudatoolkit 版本）

重装前必须清理所有残留 torch

Windows 用户尤其容易中招：系统级 pip、用户级 Roaming Python、旧 conda 环境里可能埋着一个 torch CPU 版，它会优先被导入，导致你新装的 GPU 版完全不生效。

• 退出所有 conda 环境，执行 conda deactivate 两次，确保回到 base
• 在 base 下运行 pip list | findstr torch（Windows）或 pip list | grep torch（Linux/macOS）：若有结果，用 pip uninstall torch torchvision torchaudio 彻底删掉
• 再进目标环境（如 conda activate myenv），执行 conda remove pytorch torchvision torchaudio cudatoolkit，清空所有相关包
• 最后检查 python -c "import torch; print(torch.__version__)” 是否报错 —— 报错才说明清干净了

用 conda 指定安装匹配的 pytorch + cudatoolkit

不要分开装。分开装（比如先 conda install pytorch 再补 cudatoolkit）极易错配。必须一步到位，让 conda 解析依赖关系。

Claw Code Suite (Python-Only Edition)

仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...

下载

立即学习“Python免费学习笔记（深入）”；

• 查你的显卡驱动支持的 cudatoolkit 最高版本：参考 nvidia-smi 输出的 CUDA Version，再对照 NVIDIA 官方表格（例如驱动 551.61 支持 cudatoolkit ≤ 12.4）
• 选一个稳定、广泛验证的组合，比如驱动支持 12.4，就选 cudatoolkit=12.1（比上限低一档更稳）
• 执行命令（以 Python 3.9、CUDA 12.1 为例）：
  conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
• 注意：不要加 cudatoolkit=12.1 参数！pytorch-cuda=12.1 已隐含正确版本的 cudatoolkit，手动指定反而可能触发 conda 冲突

验证时别只看 is_available()

返回 True 只是第一步。真正容易忽略的是架构兼容性 —— RTX 40 系列需要 sm_89，而旧版 PyTorch 可能只带 sm_86（RTX 30 系列），这时即使 is_available() 为 True，实际运行也会卡死或报错。

• 运行 python -c "import torch; print(torch.cuda.get_arch_list())"：确认输出包含你显卡对应的架构（如 ['sm_86', 'sm_89']）
• 运行 python -c "import torch; x = torch.randn(2,2).cuda(); print(x.device)"：真正在 GPU 上分配张量，避免假阳性
• 如果仍失败，且 get_arch_list() 有内容但训练崩溃，大概率是 PyTorch 版本太旧（如 2.0.x 对 RTX 4090 支持不全），直接升到 2.4+ 或 2.5+

最常被跳过的动作是清理多层残留 torch；最容易被误信的信号是 nvidia-smi 显示 CUDA 版本高就以为“随便装个高版本就行”。其实 cudatoolkit 版本必须和 PyTorch 编译版本严丝合缝，差一个小数点都可能失效。