随着人工智能大模型规模持续扩展和应用场景不断丰富，其训练与推理过程贯穿数据加载、参数迭代与模型部署等全生命周期，对底层数据存储系统提出了系统性、全局性的更高要求。作为智能算力基础设施的核心支撑，存储系统的性能与效率直接影响着大模型的训练迭代速度、推理服务质量与规模化部署能力，已成为支撑人工智能产业高质量发展的关键数据底座。

      然而，在大模型技术快速演进与产业加速落地的背景下，存储系统已成为制约行业突破的核心瓶颈：训练阶段需支撑超大规模数据的高并发加载与高频检查点读写；微调阶段依赖低延迟的参数卸载与回载能力；推理阶段面临键值缓存高频访问与向量检索存储优化的双重压力。现有存储方案在带宽、时延、成本与能效等方面仍难以满足大模型全生命周期的存储需求，亟须系统性的存储技术创新予以突破。

      本刊以“大模型训推数据存储”为主题组织征文，旨在集中展示该领域的前沿研究进展与工程实践成果。征文内容包括但不限于：训练数据的高效存储与读取、检查点数据的高性能读写与压缩、键值缓存的高效管理与加载、推理系统中向量检索的存储优化。同时，也欢迎由此延伸的数据治理、数字经济与数字社会等高层次应用领域的创新研究成果。

一、客座编辑

      张广艳   清华大学长聘副教授 

二、征文范围（包括但不限于）

      1.  大规模训练数据的存储与读取；

      2.  大模型检查点的高效读写；

      3.  大模型检查点的压缩；

      4.  大模型参数的高效卸载与恢复；

      5.  大模型键值缓存的高效加载；

      6.  大模型键值缓存的压缩；

      7.  推理服务冷启动场景下的模型加载；

      8.  服务于训推的多级存储优化；

      9.  推理系统中向量检索的存储优化；

      10. 面向大模型训推一体的统一数据存储系统。

三、投稿要求

      1、论文应属于作者的科研成果，数据真实可靠，具有重要的学术价值或推广应用价值；应未在国内外公开发行的刊物或会议上发表或宣读过，也不在其他刊物或会议的审稿过程中，不存在一稿多投问题。作者在投稿时，需向编辑部提交版权转让协议。

      2、文稿应包括中英文题名、作者信息、摘要、关键词、基金项目名、参考文献，中文正文和作者简介（包括照片），文稿一律采用Word文档提交，格式要求参考期刊网站：http://www.j-bigdataresearch.com.cn/。

      3、论文请通过期刊网站（http://www.j-bigdataresearch.com.cn/）进行投稿，投稿时提供作者的联系方式（电子邮件、电话、邮寄地址），并在作者留言中注明“‘大模型训推数据存储’专题投稿”及所属方向（否则按自由来稿处理）。

四、重要日期

      征文截止日期：2026年5月31日