检测到当前 issue 已关联 PR，自动添加标签：bot-triaged

📌 信息来源声明：以下分析基于昇腾知识图谱（Ascend KG）检索，并对 Ascend/pytorch 与上游 PyTorch 源码做了交叉核验。

结论：该报错是 PyTorch 2.12 新引入的 single_dim 策略框架与 torch_npu 位压缩 dropout mask 的兼容性问题，修复 PR #46315 的根因分析与修复方向经独立核验成立。

关键证据链（两侧源码核验）：

1. 优先级机制（上游 torch/distributed/tensor/_sharding_prop.py，main 分支 2026-09，L750-790）：策略分发时优先查询 op_single_dim_strategy_funcs，命中即走 _expand_single_dim_strategy_to_mesh 扩展路径；op_strategy_funcs（即 torch_npu @register_op_strategy 的注册目标）仅在未命中 single_dim 时才生效。因此 2.12 起，native_dropout_backward 被内置 pointwise single_dim 自动注册后，torch_npu 侧注册的 custom_dropout_backward_sharding（torch_npu/distributed/tensor/_matrix_ops.py:820）会被整体绕过。
2. torch_npu 侧设计约束（_matrix_ops.py:781-831）：NPU dropout mask 为 1D 位压缩 tensor（与 CUDA 同形 bool mask 不同），forward 策略将 mask 恒置 Shard(0)（含输入某维 size 小于 mesh size 的 SP 特判分支），backward 透传策略允许 mask=Shard(0) 与 grad_output=Shard(1) 并存、不做重分布。
3. 冲突点：内置 pointwise single_dim 策略要求 tensor 参数 placements 一致，检测到 mask=Shard(0) 与 grad_output=Shard(1) 不一致后触发 alltoall 重分布，对 1D 压缩 mask 执行跨维 view——即报错中的 view(240, 4)（240 个元素无法重排为 240×4）→ RuntimeError。CUDA 不受影响：同形 bool mask 可安全跨维重排。

对修复 PR 的评审建议（供维护者参考）：

• 方案正确性：为 native_dropout_backward.default 注册自定义 single_dim 策略 [output=Shard(i), grad_output=Shard(i), mask=Shard(0)]，与 forward 的 mask=Shard(0) 约束自洽，是对优先级规则的最小侵入修复，方向正确。
• 两点建议关注：
  1. del op_single_dim_strategy_funcs[...] 需做 torch < 2.12 版本守卫（旧版本无该框架/key，直接 del 会 KeyError）与重复 import 幂等性处理；
  2. 这是类系统性风险：torch_npu 中所有经 register_op_strategy 注册、而算子本身又带 pointwise tag 的注册，在 2.12 下都会被同样绕过（不止 dropout）。建议按此模式批量自查存量注册，避免逐个爆雷。

昇腾知识图谱接入方式：https://gitcode.com/agent0/kg-tools

因为本单相关实施 PR 已全部结束（1 个已合入、1 个已关闭），按照本轮 issue 整理规则，先关闭此单。其中关闭但未合入的 PR 不代表对应修复已交付。

核对的 PR：

• pytorch !46244：已合入
• pytorch !46315：已关闭（未合入）

如仍有问题或需要继续推进，请重新打开，并补充当前 PyTorch / TorchNPU / CANN 版本、硬件环境、复现步骤及相关日志；需求类请补充尚未完成的具体内容。