一种隐式联邦大模型上下文学习方法

本发明公开了一种隐式联邦大模型上下文学习方法，包括如下步骤：1）所有客户端和服务器通过大模型提取上下文向量；2）服务器聚合全局上下文向量；3)服务器校准注入系数；4）服务器分发全局上下文向量和校正后的注入系数，客户端接收并注入本地大模型。该方法通过隐式联邦大模型上下文学习方突破了联邦学习通信瓶颈，平衡了隐私保护与知识共享，在通信效率、隐私安全、任务性能三者间实现平衡，为边缘设备协同训练、垂直领域定制大模型提供高效解决方案。