联邦学习（Federated Learning, FL）为跨分布式数据源的协作式、隐私保护机器学习提供了一个极具前景的框架。然而，FL所伴随的高昂通信开销显著制约了其效率。具体而言，在每一通信轮次中，通信成本随模型维度呈线性增长，这在大规模模型场景下尤为突出，构成重大挑战。尽管已有多种通信高效策略被提出，但模型维度依赖的固有通信开销仍是当前FL实现中的主要瓶颈。本文提出一种新型的维度无关通信算法——DeComFL，该算法基于零阶优化技术，通过在每轮通信中仅在客户端与服务器之间传输固定数量的标量值，将通信成本从 $\mathscr{O}(d)$O(d) 降低至 $\mathscr{O}(1)$O(1)，且该过程与模型参数维度 $d$d 无关。理论上，在非凸函数设定下，我们证明该算法达到了当前最优的收敛速率，且在标准假设下展现出客户端数量和本地迭代步数的线性加速效果。在额外引入低有效秩假设的前提下，进一步证明其收敛速率亦与模型维度 $d$d 无关。实验评估涵盖经典深度学习训练与大语言模型微调任务，结果表明DeComFL显著降低了通信开销。值得注意的是，仅需在服务器与客户端之间传输约1MB的总数据量，即可完成一个拥有数十亿参数模型的微调过程。相关代码已开源，地址为：https://github.com/ZidongLiu/DeComFL。