本研究提出了一种高效的Sharpness Aware Minimizer（SAM）改进方法，称为Efficient SAM，结合随机权重扰动和数据选择策略，显著提高训练效率，节省计算资源达60%。同时，分析了SAM在深度神经网络中的泛化性能，并提出基于梯度强度的自适应算法（GA-SAM），实验证明其在自然语言任务中的有效性。