GitHub Repo
PyTorch 社群回報 CPU 變異數溢位，大數值常數張量可能回傳無限大
10 月 8 日的 PyTorch 開發版回報指出，CPU 上對大數值常數張量計算變異數與標準差，可能錯誤回傳無限大。案例附有最小重現與演算法分析，但正式版本影響範圍及上游修補仍待確認。
PyTorch 社群於 10 月 8 日提出數值穩定性問題：在 CPU 上，不指定維度而直接呼叫 torch.var 或 torch.std，部分大數值常數張量會得到 inf。回報者列出的環境包括兩個 2.15 開發版，以及 aarch64 macOS 與 x86_64 Linux；截至查核時，議題仍開放，未列出關聯修補。社群回報
最小案例只需建立六個值皆為 1e200 的 float64 元素。回報顯示，torch.var(x) 得到無限大，同一輸入的 torch.var_mean(x)[0] 卻得到零。官方文件定義兩者採用相同的變異數公式，預設修正值均為 correction=1；六個完全相同的樣本應有零變異數，因此不能用自由度設定解釋差異。var 文件、var_mean 文件
依回報者的程式路徑分析，差異來自底層歸約演算法。全張量 var 的 CPU 快速路徑先求平均，再累加偏差平方；平均值的捨入誤差留下巨大殘差，平方後便超出 float64 可表示範圍。var_mean 則走 Welford 更新路徑，在該案例避免了這次溢位。這項根因分析目前仍屬回報者判讀。技術分析與重現
對工程團隊而言，這提供了一個排查統計異常的具體方向：資料前處理或研究程式若出現無限大的變異數，可先比對兩個 API，並固定輸入尺寸、精度與執行環境。這是從案例推導的診斷建議，尚無證據顯示一般模型訓練廣泛受影響，也不能將替換 API 視為通用修復。
後續應關注維護者能否確認正式版範圍，以及修補是否在保留快速路徑效能的同時處理極端量級。驗證也應涵蓋不同張量尺寸與指定維度的歸約，避免單一案例恢復正常，就被解讀為整類數值問題已解決。