apply_ti constructs nn.Embeddings and installs skip_torch_weight_init without MODEL_LOAD_LOCK

快速结论：该报错通常出现在 InvokeAI 使用文本反演（Textual Inversion / TI）嵌入生成图片时，ModelPatcher.apply_ti 在没有持有 MODEL_LOAD_LOCK 的情况下构建 nn.Embedding 并安装全局 skip_torch_weight_init 补丁，与模型加载线程发生竞争。优先排查：是否在 TI 生成的同时发生模型加载/缓存加载，以及是否出现 Cannot copy out of meta tensor 或权重未初始化的异常。

适用环境：Issue 确认涉及 InvokeAI 的 Python 后端（invokeai/backend/model_patcher.py、invokeai/backend/model_manager/load/、invokeai/app/invocations/compel.py），以及 Transformers 的 resize_token_embeddings 与 Accelerate 的 init_empty_weights。Issue 讨论中的候选修复验证使用了小型 CPU CLIP 模型；CUDA/MPS 与完整生成行为未被验证，其余具体版本号未在讨论中给出。

最快修复方案：暂无确认的一步修复方案。讨论中验证的候选是 fork 提交 007064ae95（基于上游 2395393f66），将原来未加锁的嵌入调整拆为三个短写锁范围（padding、增长含 skip-init 上下文、teardown），但该提交是经测试的 fork 候选，并非上游 PR 或维护者已接受的修复。

注意事项：该候选修复不覆盖 tokenizer 工作与 yield 上下文期间的锁持有，也未改变另外两处初始化行为；测试覆盖了 CPU 事件竞争与异常路径，但未验证 CUDA/MPS 和完整生成流程，也没有性能结论。若使用上游版本，该问题属于并发竞争，重试可能暂时绕过报错，但不能消除全局 skip_torch_weight_init 泄漏风险。

问题场景

用户在 InvokeAI 中运行 SD1/SDXL 文生图或图生图，且生成请求包含文本反演（TI）嵌入时，ModelPatcher.apply_ti 会在 prompt 路径上执行嵌入构建与 resize。如果同一进程内恰好有模型正在加载（例如触发缓存未命中或切换模型），两个线程会同时操作 torch 模块构造与进程级 monkey-patch，从而触发本问题。

报错原文

apply_ti constructs nn.Embeddings and installs skip_torch_weight_init without MODEL_LOAD_LOCK
Cannot copy out of meta tensor; no data!

原因分析

最可能的原因是锁缺失导致的跨线程竞争。apply_ti 中调用 resize_token_embeddings 构建 nn.Embedding，但没有持有 MODEL_LOAD_LOCK。若此时另一线程正在 accelerate.init_empty_weights() 中运行，后者会在进程范围内替换 register_parameter 将参数路由到 meta，导致嵌入权重落在 meta 设备上，随后赋值时报 Cannot copy out of meta tensor; no data!。此外，skip_torch_weight_init 的保存/恢复不是原子操作：apply_ti 先进入并安装 _no_op，加载线程随后把 _no_op 当作“原始函数”保存，两者退出顺序交错后可能把 _no_op 永久恢复，使后续所有 nn.Linear/nn.Conv*/nn.Embedding 跳过权重初始化。以上为 Issue 中的分析性结论，未在所有硬件上复现验证。

环境排查

确认 InvokeAI 版本是否包含 invokeai/backend/model_patcher.py 中未加锁的 resize_token_embeddings 调用（约 72、105、143 行）。
确认 Transformers 版本中 resize_token_embeddings 在 new_num_tokens=None 时是否仍会进行 padding 构造。
确认 Accelerate 的 init_empty_weights() 行为是否会在加载期间全局替换 register_parameter。
确认复现时是否有并发模型加载：切换模型、首次加载、缓存未命中都可能触发。
确认是否使用 SD1/SDXL 并启用文本反演嵌入。
若使用候选 fork 提交，确认 Python 版本满足其依赖；Issue 未给出明确的 Python、CUDA、显卡版本要求。

解决步骤

先确认上游版本是否已修复该 Issue。若仍使用旧版本，可优先尝试避免在 TI 生成的同时加载或切换模型，以降低触发竞争的概率。
若需要代码层面的处理，可优先尝试讨论中验证的 fork 候选提交 007064ae95（基于上游 2395393f66）。该提交将三处 resize 分别纳入短写锁范围：padding、增长（保留原有 skip-init 上下文）和 teardown，并在调用方检查了非可重入加锁问题。
应用候选后，按讨论中给出的测试范围运行回归：pytest tests/backend/test_model_patcher.py tests/backend/patches tests/app/invocations/test_compel.py -q -rs -n 0，并关注 CPU 事件竞争、skip-init 全局状态恢复和异常 teardown 的用例。
若无法修改代码，建议保留报错日志中的线程/模型加载信息，便于确认是否为并发加载触发，并向上游反馈或等待官方修复。

验证方法

使用包含 TI 嵌入的 SD1/SDXL 生成，同时触发模型加载或切换，确认不再出现 Cannot copy out of meta tensor; no data!，且生成后 skip_torch_weight_init 相关全局初始izer状态能正确恢复。若应用候选提交，可参考讨论中的结果：未修改上游方法时测试为 5 失败/4 通过，修复后相关套件为 257 通过/16 个硬件相关跳过；这些结果基于 CPU CLIP 测试，CUDA/MPS 与完整生成仍需自行验证。