Thermo-FL：面向边缘 AI 的热感知鲁棒联邦大模型微调

Thermo-FL 是一个面向边缘 AI 的热感知联邦微调框架，利用设备温度作为控制信号，调整本地适配器训练和稀疏更新传输，并引入 TERRA 聚合流程增强鲁棒性。在模拟器中提升了对抗条件下的 BoolQ 准确率，在 Jetson 测试台上稳定了温度并保持了 GSM8K 性能。

以往联邦微调多聚焦于隐私或拜占庭鲁棒性，Thermo-FL 首次将热约束与对抗更新破坏统一处理，通过温度调控和稀疏更新聚合，提升了边缘设备上大模型微调的实用性与安全性。

客户端根据温度动态调整 LoRA 层占比和更新密度，减少热应力下的计算负载；服务端通过 TERRA 流程（范数过滤、掩码方向验证、自适应裁剪和掩码聚合）鲁棒合并稀疏更新，从而同时应对热降频和恶意更新。

对边缘 AI 产品，Thermo-FL 可在温度受限设备上稳定微调大模型，减少因过热导致的性能下降；其稀疏上传可降低带宽压力，增强安全性，但需在模型精度和压缩间权衡。

• 在边缘设备管理平台上集成温度感知调度，动态调整模型微调任务优先级以规避过热。
• 开发稀疏 LoRA 更新的安全聚合服务，面向企业提供抗拜占庭攻击的联邦微调中间件。
• 在 Jetson 等嵌入式平台验证 Thermo-FL 的能效优势，并发布基准测试白皮书以吸引开发者。

• Thermo-FL 是否支持非 LoRA 的联邦微调方法？
• 物理测试台规模多大，性能数据是否统计显著？
• TERRA 聚合的计算开销对服务端资源需求如何？