diff --git a/debug/accuracy_tools/msprobe/docs/05.data_dump_PyTorch.md b/debug/accuracy_tools/msprobe/docs/05.data_dump_PyTorch.md
index b78f532615e0c11229f5feaec1776ddb590eedb8..83dec6a403ee15719105bd5320370c8f76bd8cb7 100644
--- a/debug/accuracy_tools/msprobe/docs/05.data_dump_PyTorch.md
+++ b/debug/accuracy_tools/msprobe/docs/05.data_dump_PyTorch.md
@@ -15,6 +15,8 @@ functional:  # functional为算子类别，找到对应的类别，在该类别
 
 删除API的场景：部分模型代码逻辑会存在API原生类型校验，工具执行dump操作时，对模型的API封装可能与模型的原生API类型不一致，此时可能引发校验失败，详见《[FAQ](FAQ.md)》中“异常情况”的第10和11条。
 
+加工具后loss/gnorm发生变化：可能是工具中的item操作引入同步，pt/ms框架的hook机制等原因导致的，详见《[工具导致计算结果变化](36.calculation_result_change.md)》。
+
 ## 快速上手
 
 这个示例定义了一个 nn.Module 类型的简单网络，使用原型函数 PrecisionDebugger 进行数据采集。
diff --git a/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md b/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
index 76a57429dfbc98f2dc588aaba7933edf1367bd9c..32272668e8a700d2e4b873f63453dcf32f6b4716 100644
--- a/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
+++ b/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
@@ -28,7 +28,11 @@ msprobe 工具通过在训练脚本中添加 `PrecisionDebugger` 接口并启动
 
 dump "statistics"模式的性能膨胀大小"与"tensor"模式采集的数据量大小，可以参考[dump基线](data_dump_MindSpore/data_dump_MindSpore_baseline.md)。
 
-**注意**：因 MindSpore 框架自动微分机制的限制，dump 数据中可能会缺少原地操作模块/API 及其上一个模块/API 的反向数据。
+**注意**：
+
+* 因 MindSpore 框架自动微分机制的限制，dump 数据中可能会缺少原地操作模块/API 及其上一个模块/API 的反向数据。
+
+* 使用msprobe工具后loss/gnorm发生变化：可能是工具中的item操作引入同步，pt/ms框架的hook机制等原因导致的，详见《工具导致计算结果变化》。
 
 ## 5. 场景介绍
 
diff --git a/debug/accuracy_tools/msprobe/docs/36.calculation_result_change.md b/debug/accuracy_tools/msprobe/docs/36.calculation_result_change.md
new file mode 100644
index 0000000000000000000000000000000000000000..8fa97d8e433725f20ed595fb5161dc2885b0f132
--- /dev/null
+++ b/debug/accuracy_tools/msprobe/docs/36.calculation_result_change.md
@@ -0,0 +1,75 @@
+# 模型计算结果改变原因分析
+
+## 介绍
+在模型训练场景下，使用seed_all接口同时固定随机性和打开计算，通信确定性计算，是能够保证模型跑两次得到的loss和gnorm结果完全一样。如果出现使能工具后loss或者gnorm出现偏差，可能是以下原因导致。
+
+## 工具引入同步导致计算结果变化
+工具采集统计量数据时，会涉及到将device上的tensor计算后的统计量信息通过item的时候传到cpu侧，再落盘到json文件中，item操作是一个同步的操作，可能会导致模型的计算结果出现变化。**一般的现象就是模型计算出现了NaN，但加了工具后问题不复现了。**
+
+ASCEND_LAUNCH_BLOCKING 是一个环境变量，用于控制在 PyTorch 训练或在线推理场景中算子的执行模式。当设置为“1”时，算子将采用同步模式运行。因此如果出现加工具计算结果变化，可以设置ASCEND_LAUNCH_BLOCKING 为1，如果结果一样发生了变化，则说明是由于同步引起的结果改变。这个时候需要复现问题现象完成问题定位，推荐使用msprobe工具的异步dump功能，具体使用方式可查看[config配置](02.config_introduction.md)中的async_dump字段。
+
+## Hook机制导致计算结果变化
+
+pytorch/mindspore的hook机制会导致某些特殊场景下梯度计算的累加序产生变化，从而影响模型反向计算的gnorm结果。具体代码示例如下：
+```python
+import random, os
+import numpy as np
+import torch
+from torch import nn
+
+
+class Net(nn.Module):
+    def __init__(self) -> None:
+        super().__init__()
+        self.ln1 = nn.Linear(32, 32)
+        self.bn1 = nn.BatchNorm1d(32)
+        self.ln2 = nn.Linear(32, 32)
+
+    def forward(self, x):
+        x1 = self.ln1(x)
+
+        x2 = self.bn1(x)
+        x2 = self.ln2(x2)
+        return x1 + x2
+
+
+class BigNet(nn.Module):
+    def __init__(self) -> None:
+        super().__init__()
+        self.net1 = Net()
+        self.net2 = Net()
+
+    def forward(self, x):
+        out1 = self.net1(x)
+        out2 = self.net2(out1)
+        return out1, out2
+
+
+def my_backward_hook(module, grad_input, grad_output):
+    pass
+
+
+if __name__ == "__main__":
+    os.environ["HCCL_DETERMINISTIC"] = 'true'
+
+    seed = 1234
+    os.environ["PYTHONHASHSEED"] = str(seed)
+    torch.manual_seed(seed)
+    random.seed(seed)
+    np.random.seed(seed)
+
+    model = BigNet()
+    model.net2.register_full_backward_hook(my_backward_hook)
+    inputs = torch.randn(3, 32)
+
+    out1, out2 = model(inputs)
+    loss = out1.sum() + out2.sum()
+    loss.backward()
+
+    for name, param in model.named_parameters():
+        print(f"{name}: {param.grad.mean()}")
+
+```
+执行一遍以上脚本，可以打印得到模型中各层的权重梯度，注释model.net2.register_full_backward_hook(my_backward_hook)后再执行一篇，可以看出bn层的权重梯度已经发生了变化。
+
+**如果在msprobe L0，mix级别采集出现gnorm发生变化，可以尝试将采集级别改为L1，若L1级别gnorm不发生变化，则大概率是hook机制导致的梯度计算结果变化。**