PyTorch 2.0+ 引入的 nested_tensor 在类型检查上与普通 Tensor 完全一致（isinstance(nt, torch.Tensor) is True），但可通过官方支持的未公开属性 is_nested 安全、高效、向后兼容地完成判别。
pytorch 2.0+ 引入的 `nested_tensor` 在类型检查上与普通 `tensor` 完全一致（`isinstance(nt, torch.tensor) is true`），但可通过官方支持的未公开属性 `is_nested` 安全、高效、向后兼容地完成判别。
在 PyTorch 中，嵌套张量（torch.nested.nested_tensor）是一种专为变长序列（如不同长度的文本、语音帧或图像 patch）设计的高效内存布局结构。尽管其语义和行为与常规张量显著不同——例如不支持广播、不可直接索引、size() 需指定维度参数等——但它在类型系统中仍继承自 torch.Tensor，因此 type(nt) is torch.Tensor 和 isinstance(nt, torch.Tensor) 均返回 True。这使得仅靠类型检查无法可靠区分二者。
幸运的是，PyTorch 为所有 Tensor 实例内置了一个稳定、轻量且已用于内部逻辑的布尔属性：is_nested。该属性由框架自动设置，无需额外开销，且已在多个稳定版本（2.1/2.2/2.3）中保持一致行为，远比依赖 nt.size() 抛异常等“试探性”方法更健壮、可读性更高、性能更优。
✅ 正确、推荐的判断方式如下：
import torch
# 创建普通张量和嵌套张量
x = torch.randn(3, 64)
nt = torch.nested.nested_tensor([x, x[:2], x[:5]], dtype=torch.float32)
print(x.is_nested) # False
print(nt.is_nested) # True
def is_nested_tensor(t: torch.Tensor) -> bool:
return isinstance(t, torch.Tensor) and getattr(t, 'is_nested', False)
# 使用示例
assert not is_nested_tensor(x)
assert is_nested_tensor(nt)⚠️ 注意事项：
- is_nested 是只读属性，不可手动赋值或修改；
- 它仅对 torch.Tensor 实例有效；对非 Tensor 对象（如 list, numpy.ndarray）调用会触发 AttributeError，因此建议始终前置 isinstance(t, torch.Tensor) 检查（如上函数所示）；
- 尽管当前文档未在 torch.Tensor 主类页显式列出，但它已被收录于 PyTorch Compiler FAQ 并被 torch.compile 等核心组件依赖，属于受支持的公共接口，可放心用于生产环境；
- 避免使用异常捕获（如 try/except RuntimeError）检测 size() 行为——该方式耦合实现细节，未来若 size() 接口调整（如改为返回 None 或统一抛 ValueError），将导致误判。
总结：t.is_nested 是目前最简洁、最可靠、最符合 PyTorch 设计意图的嵌套张量识别方式。它体现了框架对“语义类型”与“运行时类型”的清晰分离，在构建泛型数据处理流水线（如统一预处理、模型输入校验、动态批处理适配器）时，应优先采用此属性进行分支判断。
