2.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s1包括以下步骤：

　　3.根据权利要求2所述的基于大模型的数据存储方法，其特征在于，步骤s14包括以下步骤：

　　4.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s2包括以下步骤：

　　5.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s23包括以下步骤：

　　6.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s232包括以下步骤：

　　7.根据权利要求6所述的基于大模型的数据存储方法，其特征在于，步骤s234包括以下步骤：

　　8.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s3包括以下步骤：

　　9.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s4包括以下步骤：

　　10.根据权利要求1所述的基于大模型的数据存储方法，其特征在于，步骤s5包括以下步骤：

　　Kaiyun（开云）体育官方网站

　　本发明涉及数据存储管理技术领域，尤其涉及一种基于大模型的数据存储方法。所述方法包括以下步骤：对目标预训练大模型进行输入类簇分片优化，得到存储模量分片数据；利用存储模量分片数据构建智能分片存储策略；获取目标模型训练数据；利用智能分片存储策略对目标模型训练数据进行智能分片存储，并进行冗余压缩优化，得到动态冗余存储索引数据；根据动态冗余存储索引数据进行训练数据存储空间优化，得到优化数据存储策略。本发明通过对数据进行智能分片存储以及精细化数据冗余压缩，实现了高效、稳定的模型训练数据访问，解决了大模型训练过程中数据存储和访问效率低下的问题，显著提升了模型训练效率和推理实时性。