环境信息

问题现象

backend="npugraph_ex"（ACL graph）下，同一已捕获图被不同输入张量回放时，前一次调用的输入存储会被后续回放覆写，全程没有任何报错或告警，属于静默数据损坏：

import torch, torch_npu
torch.manual_seed(0)
model = torch.nn.Linear(128, 64).npu().eval()
xs = [torch.randn(16, 128, device="npu") for _ in range(3)]  # 形状完全相同，仅数据/地址不同
snaps = [t.clone() for t in xs]

cf = torch.compile(model, backend="npugraph_ex")
for t in xs:
    cf(t)
torch.npu.synchronize()

for i, (t, s) in enumerate(zip(xs, snaps)):
    print(i, torch.equal(t, s))
# 实测：0 False   1 True   2 True

关键观测：

1. 同形状即可触发（16×128 → 16×128），不涉及 shape 变化或动态形状；
2. 仅紧邻的前一次输入被改写（x0 在 call1 后即损坏，之后保持损坏）；
3. 输入对象始终被 xs[0] 持有、未由用户释放，torch.equal 在第二次回放后由 True 变 False（被改写的是数据而非引用）；
4. 输出侧只要及时 .clone() 即与 eager 完全一致（allclose=True），问题只发生在输入侧；
5. 运行时只对输出有保留内存覆盖的告警（torch_npu/dynamo/npugraph_ex/_acl_concrete_graph/acl_graph.py:1470，并给了 clone_output 选项），对输入被覆写没有任何提示。

初步推测与 ACL graph 固定地址的静态输入槽有关：首次输入的存储可能被 graph pool 当作静态槽复用，后续回放把新输入 copy-in 时写进了上一次输入仍然存活的那块存储（精确机制以官方定位为准）。

对照实验（同机同版本）

影响

任何需要保留上一批次输入的真实场景都会被静默污染，且极难排查：输入缓存/去重、把 batch 写入日志或队列、异步双缓冲/多流流水线、失败样本回捞、回放对比等。常规“每轮新 batch、旧引用立即释放”的训练循环因为地址复用通常恰好不触发，使问题更隐蔽。

临时规避

• 传入前自行保留 x_snapshot = x.clone()，或对需要留存的输入显式拷贝；
• 对正确性敏感的场景先用 backend="npugraphs"（实测输入受保护）。

期望

1. npugraph_ex 的静态输入槽 copy-in 不应写入仍被用户持有的旧输入存储（参考 npugraphs 的保护策略），或在检测到旧输入仍存活时自动拷贝/换槽；
2. 与输出侧对齐：输入侧存在保留内存覆盖风险时给出明确告警/文档说明，并提供类似 clone_output 的开关；
3. 补充“同形状、不同输入张量、保留旧引用”的回放看护用例。

关联但不同

• #5105：非 batch 维 shape 变化时报 fake-tensor 错误（报错信息不友好）；本单是同形状下的静默存储覆写，连异常都没有。
• #4379（已关闭）：多流 + sleep/wakeup 后侧流越界（v2.9.0，PR #32810 已修），触发链路与本单不同。