跨平台加载torchscript模型（.pt）大概率失败，因序列化格式与os abi不兼容；应改用state_dict+模型定义分离方案，或ci生成各平台专用.pt文件。
PyTorch 2.0+ 在 Windows/macOS/Linux 之间直接传递 .pt 格式的 TorchScript 模型（如用 torch.jit.trace 或 torch.jit.script 保存的），大概率加载失败——不是模型写错了，是底层序列化格式和运行时 ABI 不兼容。
torch.jit.load() 报 version mismatch 或 unknown opcode
这是最典型的跨平台加载失败现象。错误信息里常含 version mismatch、unknown opcode、corrupted bytecode 等关键词。根本原因不是 Python 版本差异，而是 PyTorch 的 TorchScript 二进制格式在 1.13 → 2.0 → 2.2 之间经历了多次不向下兼容的变更，且这些变更与操作系统 ABI（尤其是 C++ STL、RTTI、异常处理机制）强耦合。
例如：在 macOS 上用 PyTorch 2.1 保存的 scripted_module.pt，拿到 Windows 上用 PyTorch 2.3 加载，即使版本号看似“更高”，也会失败——因为 macOS 默认用 libc++，Windows 用 MSVCRT，字节码解析器对 symbol mangling 和 vtable 布局的理解完全不同。
- 不要指望
torch.jit.load(..., map_location=...)能解决这类问题——设备映射只管张量，不管字节码 - PyTorch 官方明确不保证跨平台 TorchScript 二进制兼容性（见 2026 年 PyTorch 文档 “TorchScript Serialization” 章节）
- 如果你控制两端环境，强制统一 PyTorch 小版本（如全用 2.2.1）并确保同平台构建，可临时规避；但不能作为部署方案
用 state_dict + Python 模型定义替代 .pt 文件传输
真正稳定、可跨平台、可审计的做法，是放弃直接传 .pt，改用「模型结构代码 + 权重文件」分离方案。TorchScript 的初衷是脱离 Python 解释器运行，但跨平台场景下，它反而成了负担。
操作路径很直接：
- 在源平台（如 Linux）上，用
torch.jit.load('model.pt')加载后，立即提取scripted_model.state_dict() - 同时保留原始的 Python 模型类定义（确保不含不可序列化的闭包、lambda、自定义 C++ 扩展）
- 将
state_dict用torch.save(..., weights_only=True)保存为纯权重文件（如model_weights.pth） - 目标平台（如 Windows）只需有相同模型类定义 + PyTorch 运行时，即可用
model = MyModel().load_state_dict(torch.load('model_weights.pth'))完整复原
注意：weights_only=True 是 PyTorch ≥ 2.0.1 的安全默认，它拒绝反序列化任意代码，比裸 .pt 更干净、更可控。
必须用 .pt？那就限定在同一 OS + 相同 PyTorch patch 版本
如果业务强依赖 TorchScript 的 C++ 部署（比如嵌入式推理引擎或 iOS/Android SDK），且无法改用 state_dict，那唯一可行的跨平台方案是：把模型构建和导出环节，全部收束到一个受控的 CI 环境中，输出多份平台专用的 .pt。
例如：
- CI 流水线用 GitHub Actions，在 Ubuntu-22.04 + PyTorch 2.3.0+cu121 下运行
torch.jit.script(model).save('model_linux.pt') - 同一份代码，在 macOS-14 + PyTorch 2.3.0+cpu 下跑一遍，生成
model_macos.pt - 再在 Windows-2022 + PyTorch 2.3.0+cpu 下跑一遍，生成
model_windows.pt - 客户端按 OS 自动选择对应文件，不混用
别试图用 torch._C._jit_pass_lower_graph() 或其他内部 API 做格式降级——这些接口无文档、无保障，PyTorch 2.4 可能就删了。
跨平台 TorchScript 的最大陷阱，是误以为“.pt 就是通用二进制”。它其实更像 JVM 的 .class 文件：只能在“相同虚拟机版本 + 相同 ABI 环境”下安全执行。真要长期维护，state_dict 路线虽然多写几行 Python，但省掉的调试时间远超预期。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
