对于下行链路，我们能够以几乎可忽略的传输成本将压缩的动态更新权重参数交付到设备端，在域偏移的 VQA 任务和图像描述任务中分别实现了 3.93% 和 2.20% 的性能提升。框架的最后一环是 DWC 策略，其在下行传输前对更新的模型参数进行动态量化与压缩，显著缓解了设备端模型更新的延迟问题，确保更新后的智能能及时交付，维持设备应用所需的实时响应能力。这些适配器就像是有针对性的修改模块，使学生模型的

(训练数据分布在移动的设备上，通过**聚合本地计算的更新**来学习共享模型)### ==decentralized(去中性化)==iterative model averaging(迭代模型平均)extensive empirical evaluation(广泛的经验评价 )non-IID data(数据非独立同分布)数据非独立同分布不独立：数据点之间存在相关性或依赖性。例如，在时间序列数据中，当

你的项目一句话总结：这个项目不是简单“接入大模型问答”，而是把井场多源数据录入、字段补全、结构化抽取、知识检索和 Agent 工具调用整合到一个业务系统中。Oracle 存结构化生产数据，PGVector 存知识库向量，Spring AI 负责大模型调用、RAG 检索增强和 Agent 编排，最终提升录入效率和查询效率。

前端 Vue 使用上传图片和业务参数；Nginx 做上传大小和超时限制；Spring Boot 接收 MultipartFile，但不调用getBytes()，不转 Base64，不解码图片；Spring Boot 通过 InputStream 把图片流式写入 MinIO；MySQL 保存文件元数据和任务状态；Kafka 只传 taskId、fileId、bucketName、objectKey、