资料整理

torch.cuda.is_available() 为 False：构建、驱动和容器逐层检查

适用于明确准备使用 NVIDIA GPU，但当前 Python 检测不到可用 CUDA 设备。False 只是当前进程无法使用 CUDA 的结果，应从构建、设备可见性与驱动逐层排查。

更新于 2026-09-28发布修订: 13资料基线: 13

现象与适用范围

适用于明确准备使用 NVIDIA GPU，但当前 Python 检测不到可用 CUDA 设备。False 只是当前进程无法使用 CUDA 的结果，应从构建、设备可见性与驱动逐层排查。

检索用原文或片段（具体编号、数值和文件名随环境变化）：

torch.cuda.is_available() = False
Found no NVIDIA driver

已核对的依据

PyTorch 官方安装说明按平台选择构建并提供 CUDA 可用性验证；ComfyUI 官方排错要求区分 GPU 环境与 CPU 运行。PyTorch 的 CUDA 与 ROCm 构建都使用 torch.cuda 可用性接口；NVIDIA 文档说明容器中的 GPU 可见性取决于运行时分配。P04 D01 P05 N01

需要区分的情况

1. Torch 构建不含 CUDA，或检查命令在错误环境执行。

2. 宿主机驱动不可用，或者容器/远程实例没有分配 GPU。

3. 设备被环境变量隐藏，或实际是 AMD/Intel/Apple 设备，不能用 NVIDIA 检查代表所有加速后端。

建议的操作顺序

以下顺序是基于上述资料整理的诊断方案，不代表上游已经为你的环境确认了原因。

第 1 步。 在实际运行 ComfyUI 的解释器检查 sys.executable、torch.version、torch.version.cuda、torch.version.hip 和 torch.cuda.is_available()，区分构建选择与设备初始化错误。

第 2 步。 仅在 NVIDIA 系统检查宿主机的 nvidia-smi，适用时再检查已分配 GPU 的容器。若宿主机能看到设备而容器不能，先核对容器的 GPU 分配与运行时配置，再考虑更改宿主机驱动。

第 3 步。 检查启动器或服务配置中的设备选择，保留原值；不要无条件删除所有环境变量。

第 4 步。 用匹配硬件的安装说明恢复支持组合，再执行最小张量/基础工作流测试。

如何判断处理有效

相同 Python 与相同服务上下文能看到设备且实际任务使用目标 GPU。另一个终端显示 True 并不能证明当前服务已修复。

注意事项与尚未确认的部分

PyTorch 的 ROCm 构建会沿用 torch.cuda 接口。应结合 torch.version.hip 和实际硬件判断，不能仅凭接口名或 torch.version.cuda 返回 None 就认定为 CPU 构建；Intel 和 Apple 有各自的后端检查。 PyTorch HIP 语义

资料核对日期：2026-09-25。本站未执行此工作流，未进行 GPU、最低显存或耗时测试。