在大语言模型训练语料中，跨客户端重复数据会降低联邦学习（FL）的效率，同时加剧模型记忆化与隐私泄露风险。隐私保护的跨客户端去重可清除重复训练数据，从而缓解该问题。然而现有方案均遵循“先去重、后训练”（Deduplication-before-Training）范式，这种串行耦合方式容错开销高，且不支持客户端的动态加入。为此，作者提出一种此前未被探索的新范式“训练中同时去重”（Deduplication-while-Training，DwT），使去重与训练并发执行。DwT 将跨客户端去重从一次性、全局同步的预处理操作，转变为具有状态管理、并发认领与故障恢复能力的持续在线服务；通过状态同步与任务接管，最小化客户端断连对整体训练进度的影响，并支持客户端动态加入。作者据此设计并实现了隐私保护去重系统 DwT-FL，其核心包括并发状态认领机制与冷热双队列调度策略，使安全去重与模型训练能够并行执行，同时有效处理客户端断连与动态加入。实验表明，与当前最先进方案相比，DwT-FL 将故障恢复的时间开销最多降低 93.04%，将动态加入的时间开销最多降低 94.18%，为动态、不稳定的联邦学习环境提供了高效且弹性的并发去重方案。该工作适合联邦学习、隐私计算与分布式训练领域的研究者与工程师阅读。