Flower 是一个开源的联邦学习框架，由剑桥大学团队开发，支持用 PyTorch、TensorFlow 等主流工具在分布式数据上协同训练模型而不必集中原始数据，目前是联邦学习领域使用最广泛的框架之一。随着医疗、金融等对数据隐私要求严格的行业成为其重要应用场景，围绕 Flower 的研究也从通用框架能力扩展到了隐私保护和安全聚合等专门方向。
Flower 框架的近期进展
当前焦点与观察点
综合近期报道，围绕 Flower 及联邦学习生态的讨论集中在三点：一是隐私技术栈的整合，安全聚合、差分隐私等机制如何以可复用的方式进入框架默认配置，医疗脑电等案例是重要试验场；二是框架与通用大模型微调流程的关系，Qwen3 微调超越专用模型的现象提示，联邦场景下能否同样借力于开源大模型值得跟进；三是科学计算领域的借鉴，Petri 网语义等结构化方法为分布式建模提供了新视角。需要说明的是，Flower 作为人名、花名等也有大量同名内容，检索时应结合“联邦学习”“Flower framework”等限定词以获取准确信息。