本研究探讨了联邦大语言模型（FLLM）在可行性、鲁棒性和安全性方面的挑战，并提出了在分布式数据上有效训练大型语言模型的方法，强调隐私保护和数据孤岛问题。

本研究提出了FedEAT框架，旨在提高联邦大语言模型在数据异质性、恶意客户端和对抗攻击等方面的鲁棒性。通过对抗训练和几何中位数聚合，FedEAT有效提升了模型的鲁棒性，且性能损失最小。

本研究比较了三种先进的联邦大语言模型框架，分析了在资源受限场景下微调的精度、通信开销和计算负载等性能差异，为实际应用提供指导。