先看結論：本週把雙精度留在 CPU
PyTorch 官方 MPS 文件指出，MPS 後端不支援 float64；因此遇到 PyTorch 2.15 MPS 雙精度報錯時，確實需要雙精度的計算應先移到 CPU，不要直接把整個模型降成 float32。PyTorch 2.15 MPS 後端文件
本週建議動作：先確認錯誤來自資料型別還是 MPS 後端不可用，再用專案實際輸入做最小重現；只有研究判據容許單精度時，才試跑 MPS 並與 CPU 參考結果比較。
適合你閱讀：
高校研究生：在 Mac 執行 PyTorch 科研程式，遇到 double 或 float64 錯誤，正考慮切換 CPU 或調整計算流程。
科研人員與模型開發者：想使用 MPS，但需要確認精度要求及算子支援範圍。
課題組技術管理者：要為 Apple Silicon macOS 建立可重現的環境與結果驗收流程。
先分清報錯類型：精度限制不等於 MPS 無法使用
PyTorch 2.15 官方發布說明列出 Apple Silicon 的 MPS 更新，但新增功能不代表後端已支援所有資料型別或算子。官方發布日期為 2026 年 10 月 28 日；版本更新與 float64 支援狀態是兩項不同資訊，遇到錯誤仍應以 MPS 後端文件所列能力為準。PyTorch 2.15 發布說明
| 你看到的情況 | 較可能的問題 | 下一步檢查 |
|---|---|---|
錯誤訊息提到 float64、double，或張量轉到 MPS 時失敗 |
MPS 不支援該雙精度資料型別 | 找出建立該張量的程式碼及其前後的 .to() 呼叫 |
torch.backends.mps.is_available() 回傳 False |
執行環境未能使用 MPS；不等同於 float64 限制 |
再查 MPS 是否已建置，以及系統與裝置條件 |
| 後端檢查通過，但模型在特定操作失敗 | 可能是該算子、資料型別或操作組合的支援邊界 | 用最小程式單獨執行出錯操作 |
PyTorch MPS 為什麼不支援 float64？ 官方文件確認 MPS 不支援 float64 與 complex128。這是後端能力限制，不是把套件重新安裝一次就必然能解除的故障；如果你的科學計算必須保留雙精度，應將相關運算安排在 CPU，而不是只因 MPS 可用便假設所有張量都能移過去。MPS 後端文件的資料型別說明
先用官方提供的檢查方式判斷 MPS 是否存在、是否可用：
import torch
print(torch.backends.mps.is_built())
print(torch.backends.mps.is_available())
is_built() 與 is_available() 回答的是不同問題：前者檢查 PyTorch 是否包含 MPS 支援，後者檢查目前環境能否使用 MPS。兩者都不能證明你的模型內每個操作都能在 MPS 執行；可用性檢查的定義見 PyTorch MPS 文件。
PyTorch 2.15 出現 double 張量錯誤，該怎麼處理？ 先找出錯誤訊息指向的張量建立、載入或裝置轉換位置；若錯誤發生在將雙精度張量送往 MPS，就把必須保留精度的步驟留在 CPU。不要只改模型輸入型別，因為參數、常數張量或中間結果仍可能是 double。
設備分工：必須保留精度就用 CPU，容許單精度再試 MPS
| 計算需求 | 建議路徑 | 需要留意的地方 |
|---|---|---|
| 研究方法或既有結果要求雙精度 | CPU 上執行相關步驟 | 確認輸入、模型參數與中間張量都沒有意外轉往 MPS |
專案判據允許 float32，且目標操作可在 MPS 執行 |
建立獨立的 MPS 試跑路徑 | 對照 CPU 輸出及下游研究結論，不預設結果等價 |
| 模型混用 CPU 與 MPS | 只在明確劃分的邊界搬移張量 | 追蹤張量裝置與型別，避免隱性轉換及額外傳輸 |
科研計算中哪些步驟應留在 CPU 雙精度？ 凡是研究設計、方法文件或團隊驗收標準明確要求雙精度的計算，都不應在未驗證前改成 float32。如果只有少數步驟需要雙精度，可先把這些步驟留在 CPU，再評估其餘操作是否能獨立放到 MPS；但分段計算可能涉及張量搬移，必須核對每個邊界的裝置與資料型別。
出錯點常不在模型主體，而在資料載入後、預處理或計算中途的型別轉換。請檢查張量的 dtype 與 device，並逐一查看 .to() 的目標裝置及型別；官方 .to() 文件說明此介面可轉換張量的裝置與資料型別，不能只看呼叫前的設定來推斷最終狀態。torch.Tensor.to() 文件
降為單精度：先建立隔離試跑，再檢查結果
若研究問題允許單精度，可在獨立分支或副本中建立 float32 路徑，避免改動原本的基準流程。先用專案中實際觸發錯誤的資料做最小重現，再依序確認輸入、參數及中間結果的型別；接著逐項執行目標操作，記錄哪些操作確實在 MPS 完成、哪些仍須回到 CPU。
請勿把「移除錯誤」當成「驗證完成」。官方數值精度說明指出，不同運算路徑與硬體可能造成數值結果差異；是否可接受，應由你的研究設計或團隊預先訂定的驗收判據決定，而不是套用一個通用誤差百分比。PyTorch 數值精度說明
把 PyTorch 模型改成 float32 後，怎樣確認結果可靠？ 對同一組輸入，以固定的專案條件分別執行 CPU 參考路徑與 MPS 試跑，檢查輸出差異、研究所依賴的關鍵統計量，以及下游結論是否改變。若差異超出你預先定義的研究或團隊判據，就保留 CPU 雙精度路徑，並記錄造成差異的操作；若有非有限值，也可用 torch.isfinite() 文件所述介面檢查張量中的 NaN 或無窮值。
| 驗收項目 | 怎麼做 | 通過依據 |
|---|---|---|
| 輸入與環境一致 | CPU 與 MPS 使用相同資料、模型設定及專案條件 | 執行紀錄可重現，差異來源可追查 |
| 型別與裝置正確 | 記錄關鍵張量的 dtype、device，檢查轉換位置 |
雙精度步驟留在 CPU；MPS 路徑沒有未預期的型別轉換 |
| 數值與下游結果 | 比對輸出、關鍵統計量及研究結論 | 符合研究設計或團隊事前訂定的驗收判據 |
| 異常值檢查 | 使用 torch.isfinite() 檢查結果 |
沒有未解釋的非有限值；若有，須追查計算來源 |
故障重現：用專案最小案例追蹤張量流向
以下流程可以把精度問題、後端問題與算子問題分開處理：
- 保留完整錯誤訊息。 記下報錯位置、張量的
dtype與device，不要先改型別或吞掉例外，否則可能失去重現線索。 - 確認 MPS 狀態。 執行上方的
is_built()與is_available()檢查；若 MPS 不可用，先按環境條件排查，不要把它誤判為雙精度限制。 - 縮小重現範圍。 從原始程式抽出建立出錯張量及觸發錯誤操作的最小片段，保留相同型別與裝置目標。
- 追蹤轉換位置。 搜尋
.to()、模型載入、資料預處理及常數張量建立處，逐段確認 CPU、MPS 與資料型別。 - 依精度要求選擇路徑。 必須使用
float64的步驟留在 CPU；只有研究判據容許單精度時，才建立float32的 MPS 試跑。 - 逐項測試算子並驗收。 不從 MPS 可用推定全模型可跑；完成操作測試後，再按前表對照數值及下游結論。
若需排查 MPS 的行為，可參照官方 MPS 環境變數說明，但不要把環境變數當成解除 float64 支援限制的修補方式。它們適合在有明確診斷目的時調整或記錄執行環境，不能取代最小重現與研究結果驗收。
Mac 驗證環境：補足 MPS 測試，不替代精度判斷
如果課題組只有 Linux 或 Windows 設備，這些環境可以用來執行 CPU 參考計算，卻不能代替 Apple Silicon macOS 上的 MPS 實際驗收。當問題只涉及雙精度要求，先留在 CPU 通常更直接；當你需要確認 MPS 可用性、特定算子行為或完整程式在 macOS 上的執行情況，才需要準備可實際連線的 Mac 環境。
MPS 檢查通過，是否代表模型全程使用 GPU？ 不代表。檢查結果只表示目前環境可使用 MPS，並未驗證模型內所有算子，也不能證明每個張量都位於 MPS。請追蹤關鍵操作的裝置與型別，對不支援的路徑另行處理，並以實際執行及結果驗收作最後判斷。
哪些任務仍應留在 CPU？ 研究方法要求雙精度的步驟、MPS 不支援的資料型別，以及尚未確認可在 MPS 執行的操作，都應先保留 CPU 路徑。若要把特定操作移到 MPS，先確認算子與資料型別，再檢查轉換前後的結果；不要以自動降精度或遇錯回退取代明確驗收。
最後更新於 2026 年 11 月 11 日；版本、MPS 資料型別限制及數值精度資訊，已按本文引用的 PyTorch 官方發布說明、MPS 後端文件與數值精度說明核對。若後續版本改變 MPS 支援範圍，應重新檢查相關文件及專案實測結果。
若你只需確認雙精度流程，先以現有 CPU 環境建立可信的參考結果；若實驗室缺少 Apple Silicon Mac，且工作確實需要 macOS 上的 MPS 驗收，遠端 Mac 可作為補充測試環境，但租用不能代替精度驗證或機構審批。選用前先核對實際系統、晶片資訊與連線方式，再參考 VpsHold 的遠端 Mac 環境及方案比較資訊判斷是否符合你的測試需求。