在提交新问题之前，请确保您已经在社区中搜索过相关问题，并使用了社区中提供的资源/工具后，仍未找到满意的解决方式。

环境信息

• 操作系统 乌班图
• 昇腾硬件信息 910B4
• CANN软件版本 8.5.0
• 安装的对应软件版本 PyTorch Torch-NPU，2.6.0及以上版本

使用场景及问题

API功能

1.1.1 torch.nn.Parameter
PyTorch 中可训练参数的核心载体，用于标记模型中需要被优化器更新的张量，是神经网络权重、偏置等可学习参数的基础类型，核心特性为：

1. 可训练性标记：默认requires_grad=True，自动被 PyTorch 的计算图跟踪，支持梯度计算与优化器更新；
2. 设备迁移兼容：支持to(device)方法，可单独或随所在模块一起迁移至指定设备（CPU/CUDA/NPU），也可直接在目标设备创建；
3. 模块自动注册：当作为nn.Module的属性赋值时，会自动被模块注册为可训练参数，纳入parameters()迭代范围；
4. 张量特性继承：本质是torch.Tensor的子类，完全继承张量的形状、数据类型等核心属性，支持.data直接访问与修改，仅新增可训练性标记逻辑。
   1.1.2 torch.nn.Buffer
   PyTorch 中用于存储非训练型数据的缓冲区载体，适用于模型运行过程中需要保留但无需优化的状态数据，核心特性为：
5. 非训练属性：默认requires_grad=False，不参与梯度计算与优化器更新，仅作为模型运行的辅助状态；
6. 双属性管理：支持persistent（持久化）属性配置，persistent=True时会纳入模型state_dict，False则不纳入，适配不同缓存场景；
7. 模块注册机制：需通过nn.Module.register_buffer(name, tensor)方法注册到模块中，生成模块的属性并纳入buffers()迭代范围；
8. 设备迁移联动：注册后会随模块的to(device)方法自动迁移至目标设备，也可直接在目标设备创建，与模块参数保持设备一致性；
9. 场景适配：典型用于 BatchNorm 的运行均值 / 方差、注意力机制的缓存数据等，需长期保存但无需学习的状态。

社区用例现状

torch-npu 官方社区提供的test_nn.py测试用例中，torch.nn.Parameter、torch.nn.Buffer无单独的专用测试用例，需补充自定义用例完成全量验证。

欢迎加入社区，感谢您对社区的贡献 🎉!