“调取BERT超时”这事我赌你一定是在代码里用了from_pretrained()之类的加载方式也就是模型第一次加载时会自动从托管在国外的模型仓库下载权重。CPU下搭环境本身不难真正卡人的就是这个下载环节。这不是你网速的问题而是模型权重托管在国外服务器上国内直连经常性抽风有时候连着连着就断了有时候干脆连不上。如果你租的是国内云服务器这个问题会更明显DNS解析慢、连接被重置都是家常便饭。下面我把我踩过几次坑之后的完整方案拆解开来讲从环境搭建到彻底解决超时一条龙说清楚照着操作就行。1. 问题现象与根因拆解先说现象代码大概长这样from transformers import AutoTokenizer, AutoModel model_name bert-base-chinese tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModel.from_pretrained(model_name)运行之后卡在这一行不动了终端上可能先是Downloading...然后过一会儿报错OSError: We couldnt connect to https://huggingface.co to load this file或者干脆就是TimeoutError: [Errno 110] Connection timed out。这个超时的本质是from_pretrained()方法在传模型名比如bert-base-chinese时先尝试连接国外的模型网站服务器把模型权重文件拉取到本地缓存目录。如果网络访问不稳定或连不上就会一直重试直到超时。注意一点这个下载和你的显卡无关CPU环境下一样要下载权重文件。也就是说超时不是算力问题是网络问题。进一步说每次超时大概卡多久取决于系统自己的超时策略有的能硬生生卡住几分钟才报错卡到你怀疑是不是代码写错了。其实代码一点问题都没有纯粹是访问网络这个环节被卡住了。从标题来看你还提到了“搭建cpu下的transformer的环境”所以我先把环境这块也一并讲了不然后面模型加载部分即使解决了超时环境对不上还是会出各种怪问题。2. CPU环境下的Transformer运行环境到底要怎么搭2.1 Python环境与虚拟环境的坑CPU环境下跑transformer不代表可以随便用Python版本。我劝你直接上Python 3.8或者3.10别看Python 3.12出来了就觉得越新越好transformers和torch对超新版本的兼容性往往有滞后。最省心的做法是用venv或者conda建一个独立环境python3 -m venv bert_env source bert_env/bin/activate不用conda也行venv就够用。CPU环境下依赖管理比GPU环境宽松一些不需要搞什么CUDA适配这是CPU环境唯一省心的地方。2.2 按需安装依赖包而不是全家桶进入虚拟环境之后安装依赖pip install torch --index-url https://download.pytorch.org/whl/cpu pip install transformers先解释一下为什么torch要指定CPU版本。你可能会想不指定的话也就是多下载一些CUDA相关的库反正不用不就行了但实际不是这么简单。默认安装的PyTorch会带上CUDA运行库几十G