大语言模型训练过程会频繁产生各种软硬件故障，造成训练延长和资源浪费。检查点技术作为关键容错机制在保障训练持续性方面发挥重要作用，但传统的全量检查点方法限制了检查点频率并消耗大量存储资源。为此，提出了一种重要性感知增量检查点方法(SIC)。该方法设计了分层感知的参数更新过滤算法，有效识别每层网络的重要参数更新；此外，通过动态阈值调节机制，在训练过程中实时调节参数变化阈值，确保不丢失关键更新；最后，从理论上证明了SIC对训练收敛性的影响可控。实验表明，单次迭代保存2%的数据足以保证模型的精度和收敛性；相比于最先进的全量检查点方法，在相同开销约束下SIC检查点频率提升了9-17倍，存储开销仅为3%。因此，SIC兼具了高执行效率、低存储开销的优势。