Con el avance del gran modelo de lenguaje (LLM), la demanda de servicios de etiquetado de datos ha aumentado drásticamente. Los grandes modelos son inseparables de datos de escena especializados de alta calidad, desde el entrenamiento hasta la implementación de iteraciones de aplicaciones hasta la generación de aterrizaje. Sin embargo, cómo lograr consistencia y precisión en el etiquetado inteligente y mejorar la eficiencia de etiquetado en escenarios de middleware de datos distribuidos es la principal dificultad en la mejora de la calidad de los datos etiquetados en la actualidad. En este documento, propusimos un método de optimización de aprendizaje federado asíncrono basado en la combinación de LLM y la tecnología de gemelo digital. Al analizar y comparar con otros algoritmos de aprendizaje federado asíncrono existentes, los resultados experimentales muestran que nuestro método propuesto supera a otros algoritmos en términos de rendimiento, como la precisión del modelo y el tiempo de ejecución. Los resultados de validación experimental muestran que nuestro método propuesto tiene un buen rendimiento en comparación con otros algoritmos en el proceso de etiquetado inteligente tanto en términos de precisión como de tiempo de ejecución, resuelve los problemas de consistencia y precisión del etiquetado inteligente en un centro de datos distribuido.