深度学习环境配置常因版本不兼容导致问题。本文整理 PyTorch、CUDA 与显卡架构的版本对应关系，涵盖从 RTX 50 系列到经典老卡的软硬件兼容性信息。
🗺️ 核心逻辑图解
在看表格前，先理清显卡架构的代际关系与 CUDA 版本的强绑定逻辑。
📊 一、PyTorch 版本对照表 (推荐)
PyTorch 是目前兼容性最好的框架，只要 CUDA 驱动版本足够高，通常都能向下兼容。对于使用最新硬件（如 RTX 50 系）的用户，请务必使用 2.4 或更高版本。
| PyTorch 版本 | Python 版本 | 推荐 CUDA | 适用显卡建议 |
|---|---|---|---|
| 2.6.x (Dev/Nightly) | 3.10 - 3.13 | 12.8 | RTX 50 系 完美释放性能首选 |
| 2.4.x / 2.5.x | 3.9 - 3.12 | 12.4, 12.1 | RTX 50 系 (基础支持), RTX 40 系，H100 |
| 2.1.x - 2.3.x | 3.8 - 3.11 | 12.1, 11.8 | RTX 40 系，30 系 (50 系不推荐) |
| 1.13.x 及更早 | 3.7 - 3.10 | 11.7, 11.6 | 老架构显卡专用 (Pascal/Maxwell) |
💡 最新显卡安装贴士 如果你使用的是 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：
🖥️ 二、显卡架构与算力 (Compute Capability) 速查
显卡架构决定了你的算力上限 (Compute Capability) 和 CUDA 版本的下限。新卡不能装太旧的 CUDA，老卡通常可以使用新 CUDA。
| 显卡系列 | 架构代号 | 算力 (Arch) | 最低 CUDA 要求 | 最佳 CUDA 版本 |
|---|---|---|---|---|
| RTX 5090 / 5080 | Blackwell | 10.0 (sm_100) | CUDA 12.4+ | 12.6 / 12.8 |
| H100 / H800 | Hopper | 9.0 (sm_90) | CUDA 11.8 | 12.x |
| RTX 4090 / 4060 |
