Python、PyTorch、CUDA 与显卡版本对应关系速查表(全网最全)

“为什么我的 PyTorch 认不出显卡？”

“新买的显卡装了旧版 CUDA 为什么报错？”

这两个问题，几乎是每个玩深度学习的人都会踩的坑。很多情况下，问题出在软件版本与硬件架构之间的错配上。新卡装旧驱动、旧卡强行追新版本，都是常见操作，结果就是各种莫名其妙的报错。下面这份速查表把 PyTorch、CUDA 和显卡架构之间的对应关系整理清楚了，从最新的 RTX 50 系列 (Blackwell) 到经典的 GTX 10 系都涵盖在内。每次配新环境前翻出来看一眼，能省下不少折腾时间。

核心逻辑图解

在往下看表格前，先理清显卡架构的代际关系与 CUDA 版本的强绑定逻辑。简单来说，每一代新架构往往都要求更高的 CUDA 版本支持，而老卡虽然能装新 CUDA，但性能上不一定有提升，反而可能带来兼容性问题。

一、PyTorch 版本对照表 (推荐)

PyTorch 是目前兼容性最好的框架之一，只要 CUDA 驱动版本足够高，通常都能向下兼容。不过对于使用最新硬件的用户，建议直接上 2.4 或更高版本。要是你手头是 RTX 50 系，2.6.x 的 Nightly 版本是首选，能完整释放新一代架构的性能。

最新显卡安装贴士

如果你用的是 Blackwell 架构 (RTX 50系) 或 Ada 架构 (RTX 40系)，建议优先使用 CUDA 12.x 的 PyTorch 包，直接 pip 安装即可：

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu124

二、显卡架构与算力 (Compute Capability) 速查

显卡架构决定了算力上限 (Compute Capability) 和 CUDA 版本的下限。新卡不能装太旧的 CUDA，但老卡通常可以使用新 CUDA。这里有一个要注意的点：新 CUDA 对老架构的优化有限，没必要一味追新。

三、TensorFlow 版本对应关系

相比 PyTorch，TensorFlow 对新硬件的支持节奏稍慢一些。Windows 用户尤其要注意：TF 2.10 是支持 GPU 的最后一个 Windows 本地版本。如果想在 Windows 上用新版 TF，别无选择，得走 WSL2 (Ubuntu 子系统) 这条路。

抄作业：不同配置的“黄金搭配”

最后总结几套可以直接照着抄的“黄金配置”，按自己的硬件对号入座就行。

1. 前沿性能组 (RTX 50/40系)：Python 3.11 + PyTorch 2.5/2.6 + CUDA 12.4+。理由很简单：新架构的 FP8 等新特性，只有 CUDA 12 才能完全发挥。
2. 主流稳定组 (RTX 30/40系)：Python 3.10 + PyTorch 2.3/2.4 + CUDA 12.1。市面上绝大多数开源项目都能跑，兼容性最好。
3. 经典兼容组 (RTX 20/30系)：Python 3.9/3.10 + PyTorch 2.0 + CUDA 11.8。CUDA 11.8 是过去几年的统一度量衡，极其稳定。
4. 古董收藏组 (GTX 10系)：Python 3.8 + PyTorch 1.12 + CUDA 11.3。老卡别追新，能跑起来就是胜利。