在大模型训练中应用隐私保护技术（如强噪声干扰的差分隐私）时，通常需要面对的权衡（Trade-off）是：

隐私保护越强，模型的预测准确性（Utility）往往会下降

隐私保护越强，模型的参数量会随之大幅减少

隐私保护越强，模型对硬件的存储需求越低

隐私保护越强，模型的推理速度会呈指数级提升