不同大小的矩阵的减法是不同的操作，这是没有办法的。你可以使用各种numpy和Python魔法来使它看起来像一个操作，但在一天结束时，类似于

data_list = [...]  # List of numpy arrays
model_list = [...]  # same, with corresponding sizes

error = 0
for data, model in zip(data_list, model_list):
   error += np.sum((data-model)**2)

将是最明显和清晰的。
如果这成为性能瓶颈，您可以使用numba。

我们可以对对象dtype数组做一些数学运算，但不是所有的运算。而且，当它工作时，数学运算是以列表理解的速度完成的，而不是以数字dtype的编译速度完成的。
制作阵列列表：

In [20]: datalist= [np.array(data_1),np.array(data_2)]
    ...: modlist = [np.array(model_1),np.array(model_2)]

然后直接将你的计算应用于这些对：

In [21]: [np.sum((data-model)**2) for data, model in zip(datalist, modlist)]
Out[21]: [2, 3]

现在尝试从这些列表中创建对象dtype数组：

In [22]: A=np.array(datalist,object); B=np.array(modlist,object)    
In [23]: A
Out[23]: 
array([array([[1, 2],
              [2, 3]]), 
       array([[3, 4],
              [5, 6],
              [6, 7]])], dtype=object)

请注意这与从列表列表中创建数组的不同之处：

In [24]: np.array(total_data,object)
Out[24]: 
array([list([[1, 2], [2, 3]]), list([[3, 4], [5, 6], [6, 7]])],
      dtype=object)

像+/* 这样的运算符通常与对象dtype列表一起使用，前提是元素也实现了它们：

In [25]: C=(A-B)**2    
In [26]: C
Out[26]: 
array([array([[0, 1],
              [0, 1]]), array([[0, 1],
                               [0, 1],
                               [0, 1]])], dtype=object)

列表数组不能做到这一点，因为列表不能实现大多数运算符。
我们不能将sum函数应用于该数组：

In [27]: np.sum(C)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[27], line 1
----> 1 np.sum(C)

File <__array_function__ internals>:200, in sum(*args, **kwargs)

File ~\miniconda3\lib\site-packages\numpy\core\fromnumeric.py:2324, in sum(a, axis, dtype, out, keepdims, initial, where)
   2321         return out
   2322     return res
-> 2324 return _wrapreduction(a, np.add, 'sum', axis, dtype, out, keepdims=keepdims,
   2325                       initial=initial, where=where)

File ~\miniconda3\lib\site-packages\numpy\core\fromnumeric.py:86, in _wrapreduction(obj, ufunc, method, axis, dtype, out, **kwargs)
     83         else:
     84             return reduction(axis=axis, out=out, **passkwargs)
---> 86 return ufunc.reduce(obj, axis, dtype, out, **passkwargs)

ValueError: operands could not be broadcast together with shapes (2,2) (3,2)

对于像log或sin这样的函数也是如此。
但是我们可以求助于显式的列表解析：

In [28]: [np.sum(x) for x in C]
Out[28]: [2, 3]